Octomind: agente de código abierto que reta a Claude Code

Octomind: el runtime de agentes que se mide contra Claude Code

Octomind resolvió 24 de 25 tareas de programación reales con un costo de US$63,43 y 3,6 horas de trabajo, frente a las 23 de 25 de Claude Code con US$81,79 y 6,7 horas. Son los resultados que el propio proyecto publicó el 30 de julio de 2026 en su benchmark octobench, y el dato que importa para un founder no es quién gana: es que el andamiaje que envuelve al modelo mueve la aguja tanto como el modelo mismo.

Un harness es el software que envuelve a un modelo: decide qué información ve, qué herramientas puede usar y cómo devuelve las respuestas. Octomind es un runtime de agentes de código abierto (licencia Apache 2.0) que se instala como un binario único escrito en Rust y le da a un LLM acceso real a tu repositorio: leer y escribir archivos, ejecutar comandos de shell, buscar código y delegar en sub-agentes, todo a través de herramientas MCP.

¿Qué es Octomind y en qué se diferencia de otros agentes?

La mayoría de los agentes de código asumen que hay una persona mirando la pantalla. Octomind está construido para el trabajo que sigue corriendo cuando cierras la laptop, y expone el mismo motor de sesión de cinco formas distintas:

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

CLI interactiva, para el trabajo diario.
Piped (--format plain o jsonl), para CI/CD y scripts de shell.
Daemon + send, para agentes en segundo plano y monitoreo continuo.
WebSocket (octomind server), para plugins de IDE y dashboards.
ACP, para correrlo como sub-agente dentro de otro agente o de un editor.

La configuración vive en un solo archivo TOML: modelos, herramientas, roles, guardrails y presupuestos. Sin código de framework que mantener.

Los números del benchmark: 24 de 25 tareas y US$63,43

octobench mide 25 tareas extraídas de pull requests ya fusionados en Python, PHP, Rust, C++ y JavaScript. Cada agente trabaja sobre el repositorio previo al fix, y los tests retenidos del PR fusionado deciden si pasa o falla. Los resultados publicados:

octomind + glm-5.2: 24/25 resueltas, 2.264 de 2.500 en el juez, US$63,43, 3,6 horas.
Claude Code + claude-opus-5: 23/25, 2.262, US$81,79, 6,7 horas.
Codex + gpt-5.6-sol: 21/25, 2.127, US$14,86, 1,0 hora.
opencode + glm-5.2: 19/25, 2.093, US$129,54, 3,3 horas.

El dato más interesante es el de opencode: usó el mismo modelo y el mismo endpoint que Octomind y resolvió 19 tareas frente a 24, con un costo de US$129,54 contra US$63,43. La diferencia no la puso el modelo, la puso el harness.

Dos advertencias de rigor: son números auto-reportados por el proyecto y no hay verificación independiente publicada. El propio repositorio aclara que corresponden a la versión del 30 de julio de 2026 y no a la copia actual del código. Trátalos como una señal direccional, no como un veredicto.

Guardrails como código: el fin de los popups de aprobación

El problema real de los agentes autónomos no es la inteligencia, es la confianza. Un agente que pide aprobación para cada comando no sirve en un pipeline de CI, y uno que no pide nada puede borrar tu base de datos.

Octomind resuelve esto con política como código: un archivo .agents/guardrails.toml en tu repositorio que el runtime aplica de forma determinista, sin compilar nada ni instalar plugins. Tiene tres capas:

Guards: se ejecutan antes de cada llamada a herramienta y pueden negarla por capacidad, expresión regular sobre argumentos o historial de la sesión.
Hooks: se ejecutan después del resultado de una herramienta. Un exit code distinto de cero inyecta el stdout en la bandeja del agente, así que un fallo de lint se convierte en una corrección automática sin reiniciar el turno.
Validators: scripts que el agente lee en su siguiente turno, y que reemplazan los prompts de "¿apruebas este cambio?" en bucles autónomos.

El ejemplo del propio repositorio bloquea un borrado recursivo antes de que se ejecute y exige un git status previo antes de permitir un git push.

No es una preocupación aislada. Anthropic reportó que su sandbox-runtime a nivel de sistema operativo redujo los prompts de permiso de Claude Code en un 84% en su uso interno, según documentó Marktechpost en octubre de 2026. Ese número es auto-reportado, pero la dirección es clara: la fatiga de aprobaciones es el cuello de botella que todos están atacando.

Control de gasto: la parte que ningún benchmark mide

Un agente que trabaja solo durante horas quema tokens, y los tokens cuestan. Un periodista de TechCrunch documentó en agosto de 2026 que gastó más de 80 millones de tokens en cuatro días, equivalentes a US$65 según el propio análisis del modelo, sobre una suscripción de US$20 al mes.

Octomind ataca eso con umbrales de gasto por request y por sesión. Si un request supera su umbral, se detiene. Si la sesión supera el suyo, una sesión de terminal pregunta sí/no antes de continuar, mientras que un octomind run no interactivo termina con exit code 75. Ese detalle importa si vas a meterlo en CI: tu pipeline puede distinguir "se acabó el presupuesto" de "el agente falló".

Además, el modelo se elige por rol. Puedes usar un modelo caro para el rol principal y uno barato para supervisión y compresión, y acepta desde OpenRouter, Anthropic, OpenAI y DeepSeek hasta Ollama local, lo que permite mantener código privado en tu propia máquina.

El contexto: 2026 es la guerra de los harness

Octomind no aparece en un vacío. En agosto de 2026, Meta lanzó Muse Code, su primer agente de código, solo para terminal y sin interfaz gráfica, con precios de US$1,25 por millón de tokens de entrada y US$4,25 por millón de salida en su plan estándar, y un plan de contribuidor de US$0,10 y US$0,20 a cambio de permitir que Meta entrene con tu código, según Memeburn. Para comparar, Claude Opus 5 se cotiza a US$5 y US$25 por millón.

DeepSeek, por su parte, presentó un prototipo llamado Super-Agent que monitorea conversaciones de desarrolladores y propone soluciones sin que nadie lo invoque, y levantó alrededor de 100.000 millones de yuanes (unos US$15.000 millones) antes de una salida a bolsa planeada, según reportó Bloomberg y recogió Digital Trends.

Y hay una brecha enorme por cubrir: una investigación respaldada por OpenAI encontró que en junio el 98% de los empleados de OpenAI usaba Codex, pero solo el 17% de los suscriptores organizacionales y menos del 1% de los suscriptores individuales usaban la herramienta de código, según TechCrunch. La adopción real de agentes está muy por detrás del ruido.

¿Qué significa esto para tu startup?

Tres lecturas concretas:

El harness es una decisión de arquitectura, no un detalle. Si dos agentes con el mismo modelo y el mismo endpoint resuelven 24 y 19 tareas de 25 respectivamente, elegir el andamiaje correcto vale más que cambiar de modelo. Antes de firmar un contrato anual con un proveedor, corre tu propio benchmark con tus repositorios.
El costo por tarea es la métrica que debes vigilar. Codex resolvió 21 de 25 tareas por US$14,86 en una hora; Octomind resolvió 24 por US$63,43 en 3,6 horas. Ninguno de los dos es mejor en abstracto: depende de si tu restricción es el presupuesto o las horas de un ingeniero senior. Define cuál es la tuya antes de comparar precios.
La política de seguridad tiene que ser código, no un hábito. Si tu equipo va a dejar agentes corriendo en CI o de noche, los límites tienen que estar versionados en el repositorio y aplicarse solos. Un archivo de guardrails revisable en un pull request es auditable; un popup de aprobación que nadie lee, no.

Cómo probarlo sin comprometerte

Instálalo y corre una sesión real. En macOS o Linux, el instalador oficial es un script de shell; también hay Homebrew (brew install muvon/tap/octomind), Scoop en Windows, Cargo (requiere Rust 1.95+) y una imagen de Docker. Después, octomind run developer:general dentro de tu proyecto levanta un especialista que puede leer tu código, ejecutar comandos y editar archivos.
Empieza con tu propia clave de proveedor. Si no quieres depender de Octomind Cloud, exporta OPENROUTER_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY o DEEPSEEK_API_KEY y apunta las tablas de modelo del TOML. Recuerda actualizar también los perfiles de supervisor y compresión, que por defecto apuntan a la nube del proyecto.
Escribe tu primer guardrail antes de dejarlo solo. Crea .agents/guardrails.toml y bloquea lo que no quieres que pase nunca: borrados recursivos, pushes directos a la rama principal, o escritura fuera del directorio de trabajo usando --sandbox.
Mide antes de adoptar. Corre el mismo conjunto de tareas con dos agentes distintos sobre tus repositorios y compara tareas resueltas, costo y tiempo de pared. El benchmark del proyecto es una referencia, no tu benchmark.

Un detalle de privacidad que conviene revisar: Octomind reporta telemetría anónima de uso (comandos, herramientas, modelos, tiempos y conteos de tokens) y, según su documentación, nunca envía tu código, prompts, rutas de archivos ni valores de entorno. Se desactiva con DO_NOT_TRACK=1, OCTOMIND_TELEMETRY=0 o telemetry = false en el TOML.