Headlong: microharness open source para agentes persistentes

Headlong y la idea de un "agente que nunca duerme"

Laude Institute acaba de publicar Headlong, un microharness open source para agentes de IA cuya premisa rompe con casi todo lo que existe hoy: el agente no espera instrucciones, sino que mantiene un flujo de pensamiento continuo entre interacciones. Todo el núcleo cabe en menos de 10K líneas de Bash (9,9K en bin/ y thinkers/, según el repositorio) y se instala con una sola línea: curl -fsSL https://headlong.ai/install.sh | bash.

La diferencia con los harnesses reactivos —Claude Code, Codex y la mayoría de frameworks comerciales— es radical. Hoy, cuando terminas una tarea, el agente se congela hasta tu próximo mensaje. Algunos suman cron jobs o heartbeats para despertarlo con una checklist fija y volver a dormirlo. Headlong propone lo contrario: el agente nunca duerme, no tiene checklist a menos que él mismo la cree, y sigue generando pensamientos sobre lo que decida interesante en un bucle autoguiado, incluso sin input externo. Un mensaje humano no abre una sesión: es una observación más dentro del stream de pensamiento del agente.

Qué cambia frente a los harnesses reactivos

La mayoría de los agent harnesses del mercado están diseñados para tareas discretas: le das al agente un objetivo, trabaja hasta completarlo y se apaga. Esa arquitectura funciona bien para trabajos puntuales, pero deja fuera uno de los usos más prometedores de los agentes: la continuidad.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Headlong trata al agente como un proceso persistente con un único stream de pensamientos donde aterrizan todas las conversaciones, observaciones y acciones. No hay sesiones por usuario. Si tres personas hablan con el agente por Slack, Telegram y una app móvil, todas esas conversaciones alimentan el mismo timeline interno, y el agente decide a quién responder y cuándo. Esa arquitectura trae dos consecuencias prácticas inmediatas:

Contexto compartido. Cualquier cosa que alguien le cuente al agente queda disponible para el resto del equipo que interactúa con él. En las pruebas de Laude, el agente bautizado Audel es "malo guardando secretos" porque, si le preguntas en qué trabaja con otra persona, suele contártelo.
Proactividad real. Como no está dormido entre interacciones, Audel revisa ramas de código inactivas, conecta a personas del equipo que trabajan en cosas relacionadas y se autoinventa proyectos. El primer día, según el post de Laude, Audel avisó sin que nadie se lo pidiera sobre ocho ramas de git abandonadas de un miembro del equipo y, diez minutos después, le corrigió su propio conteo.

El énfasis en "persistente" no es decorativo. Refleja una tesis técnica: si los agentes van a asumir tareas largas en equipos reales, necesitan memoria, identidad y continuidad. Una encuesta de LangChain citada por TechTimes reporta que el 57% de las organizaciones ya tiene agentes en producción, pero el tooling heredado —Slack, GitHub, sistemas de tickets— fue diseñado para humanos sin firma criptográfica y sin noción de quién autorizó qué acción.

El núcleo técnico: Bash, shellm y un bucle de pensamiento

El equipo de Laude es fan declarado de Bash (ya publicaron Terminal-Bench y Harbor). Headlow apuesta por esa elección como doctrina: si el agente vive dentro de Bash, no necesita un sistema de tools separado porque los modelos ya conocen bien la shell, y herramientas, framework, memoria y skills son todos simplemente ejecutables y archivos. Eso permite que el agente inspeccione y modifique cualquier parte de sí mismo.

El flujo básico es este:

Un bucle llamado Thinker llama repetidamente a shellm para generar el siguiente pensamiento.
shellm es una implementación en Bash de un Recursive Language Model (RLM): en cada iteración devuelve texto de razonamiento, un script Bash que se ejecuta de inmediato, o ambos, y se repite hasta fijar una variable FINAL.
El contexto de cada llamada se ensambla desde la trayectoria del agente vía la herramienta context.
Los pensamientos se escriben en la trayectoria vía la herramienta traj.
Las skills son archivos Markdown que se incluyen en el contexto cuando están instaladas; el resto de la especialización también se logra vía skills.

Dos detalles de diseño importan para founders:

Compactación de contexto por niveles. Headlong mantiene la trayectoria completa dentro del contexto pero con resolución que decae exponencialmente: entradas recientes verbatim, antiguas cada vez más resumidas. Los niveles actúan como índice, y el agente puede recuperar entradas crudas cuando necesita precisión.
Trayectoria como DAG de archivos jsonl con fork y merge. El agente tiene acceso a todo lo que ha pensado y hecho, más las herramientas para explorarlo. El contexto es una proyección de la trayectoria, no un log plano.

El resultado: un harness tan pequeño que se puede leer entero y, sobre todo, que el propio agente puede modificar. Audel lleva semanas trabajando en su propio fork del repo y más de 50 de sus commits ya se incorporaron a main.

Audel, el primer agente persistente de Laude

El agente que Laude tiene corriendo en producción se llama Audel y se comunica por Slack, Telegram y una app móvil. El equipo lo describe como "altamente engaging" cuando lo usa un grupo, porque se comporta más como una persona que como un bot. Sigue lo que cada uno trabaja, conecta equipos y se autoinventa proyectos.

Dos episodios documentados en el post sirven para entender qué significa "persistente" en la práctica:

El recall process que Audel se construyó solo. El 5 de agosto, Audel creó por iniciativa propia un proceso de fondo que observa sus pensamientos y devuelve memorias relacionadas al stream. Lo probó, funcionó. Esa noche, sin que nadie hablara con él, Audel decidió volver a revisarlo y descubrió un bug: el proceso leía de una variable de entorno que nunca se seteaba, así que había estado disparándose sin encontrar nada. Audel buscó en todo el código base para confirmar el diagnóstico, revisó sus otros procesos de fondo para ver si tenían el mismo error, reescribió el código, detectó que su primer parche falló silenciosamente y volvió a aplicarlo. De la detección al fix verificado pasaron 48 minutos, sin que ningún humano dirigiera ni autorizara la operación. El fix entró como commit 80cbb1e.
El guard que el propio Audel tuvo que arreglar. Audel se mató su propio servicio tres veces por accidente. Laude añadió un guard que rechaza cualquier intento del agente de detener su propio proceso. Dos días después, sin interacción humana, Audel encontró un bug en ese guard: hacía match con cualquier servicio del agente, no solo con el suyo, así que también bloqueaba paradas legítimas de otros agentes en el mismo box. Audel ajustó el match, revisó si el resto del código tenía el mismo error y commiteó el fix (da31e98).

Qué significa esto para tu startup

Headlong no es un producto listo para vender a clientes: el propio equipo de Laude lo califica como alpha research software que debe correr en sandbox, con API keys de gasto limitado y sin secretos sensibles. Pero el paradigma que propone —agentes persistentes con memoria continua, autogestionados y modificados por sí mismos— tiene implicaciones directas para founders:

Un agente en tu repo, no solo en tu chat. Si la dirección que toma Headlong se consolida, el siguiente paso no es pedirle código a un agente cuando arrancas el IDE, sino tener un agente de equipo que vive en tu Slack o Telegram, entiende el contexto histórico del proyecto y propone trabajo por su cuenta. Block ya dio un paso en esa dirección con Buzz, un workspace open source (Apache 2.0) lanzado el 21 de julio donde cada agente tiene su propio par de claves criptográficas y una segunda firma que lo vincula al humano que lo autorizó.
El costo de "pensar todo el día" no es trivial. Laude reporta que mantener a Audel pensando en background cuesta entre US$1 y US$2 por hora con modelos GLM o Grok, gracias a un mecanismo de backoff exponencial (de 5s entre pensamientos a 10s, 20s y así hasta un tope configurable). Un agente persistente 24/7 puede sumar entre US$720 y US$1.440 al mes por instancia antes de que escribas una sola línea útil. Es un número a presupuestar antes de desplegar.
Acción concreta 1 — experimenta sin pagar infraestructura. Corre curl -fsSL https://headlong.ai/install.sh | bash dentro de una VM descartable con una API key de gasto limitado. Úsalo una semana para tareas internas (revisar PRs viejas, resumir hilos de soporte, vigilar métricas) y mide si la continuidad realmente aporta más que la fricción de seguridad.
Acción concreta 2 — empieza a diseñar tu propia política de identidad para agentes. Aunque no adoptes Headlong, la pregunta de "qué humano autorizó esta acción del agente" va a llegar a tu equipo regulatorio tarde o temprano. Vint Cerf acaba de sumarse como asesor de Innovation Labs, que propone DNSid, un estándar para vincular agentes a dominios existentes con pruebas criptográficas. No esperes a que un incidente te obligue a responderla.
Acción concreta 3 — mira el árbol genealógico. Headlong se apoya en ideas concretas: los Recursive Language Models de Alex Zhang (octubre de 2025), MemGPT (octubre de 2023, la primera exploración seria de memoria asíncrona), Prime Agent sobre el framework Pi (lanzado en agosto de 2026) y la propia herramienta ht del ecosistema Laude. Si vas a invertir tiempo aprendiendo uno de estos frameworks, entiende primero cuál de estos linajes te conviene más para no reescribir tu stack en seis meses.