Anatomía de agentes de programación de código abierto: Codex, OpenCode, goose
En esta sección leemos el código fuente. Los tres proyectos son agentes de programación de código abierto de terminal o escritorio: Codex CLI de OpenAI (Rust, Apache-2.0), OpenCode (TypeScript, MIT, se lee la nueva arquitectura de 2.3.0), goose (Rust, Apache-2.0, 1.60.0, ahora es un proyecto de la AAIF de la Linux Foundation). Los clonamos el día 20 del mes 11 de 2026; las rutas de archivo y números de línea de abajo corresponden a esa versión.
Descubrirás que el bucle central es casi idéntico al que escribiste; las diferencias están todas en los "frenos" y en los detalles de ingeniería.
1. Bucle: todos son "mientras se necesiten herramientas, se continúa"
El bucle de Codex (codex-rs/core/src/session/turn.rs) usa una variable para decidir si hacer otra ronda:
let needs_follow_up = model_needs_follow_up || has_pending_input;Si el modelo quiere llamar herramientas, o el usuario intercala un mensaje nuevo a mitad de camino, se continúa; si no, break. Esto es lo mismo que el if not msg.tool_calls: return de myagent.
OpenCode lo llama needsContinuation (verdadero si en ese paso hubo llamadas a herramientas ejecutadas localmente), goose lo llama ends_turn (termina si el último mensaje es una respuesta sin solicitudes de herramientas).
La diferencia está en los frenos:
| Límite de pasos | Qué hacer al llegar al límite | |
|---|---|---|
| myagent | 12 pasos | Se detiene directamente y responde "se superó el número máximo de pasos" |
| OpenCode | Sin límite por defecto, se puede configurar steps para cada Agent | Desactiva las herramientas (toolChoice: "none") y añade un aviso de "se alcanzó el número máximo de pasos", obligando al modelo a resumir con texto el progreso actual |
| goose | GOOSE_MAX_TURNS Por defecto 1000 | Cede el control y pregunta al usuario si continuar |
| Codex | No encontramos un límite de pasos en el código fuente | — |
El enfoque de OpenCode es mejor que el nuestro: cortar directamente pierde el progreso; hacer que el modelo escriba un resumen en el último paso permite al usuario saber al menos hasta dónde llegó.
2. Permisos: de y/N a "tabla de reglas + revisión + sandbox"
BuscarSus permisos…
Toca uno para ver.
El smart_approve de goose, el modelo de revisión del Bot Grok de la sección anterior y el modo auto de OpenClaw siguen la misma idea: lo que se puede decidir automáticamente se decide automáticamente, y lo dudoso se pregunta a una persona.
3. Compactación: la idea es igual a tu compact(), con tres cosas más
| Cuándo empezar a compactar | |
|---|---|
| myagent | Cuando la conversación supera 24000 caracteres |
| Codex | El 90% de la ventana de contexto |
| OpenCode | Ventana menos max(15%, 16k tokens) |
| goose | 0.8 de la ventana |
| OpenClaw | Empieza el mantenimiento alrededor del 75% |
El enfoque de nivel producción añade tres cosas:
- Calcular por tokens, no por número de caracteres.
- Escribir el resumen como un "acta de traspaso". La primera frase del prompt de compactación de Codex (
codex-rs/prompts/templates/compact/prompt.md):
You are performing a CONTEXT CHECKPOINT COMPACTION. Create a handoff summary for another LLM that will resume the task.
Include:
- Current progress and key decisions made
- Important context, constraints, or user preferences
- What remains to be done (clear next steps)
- Any critical data, examples, or references needed to continueOpenCode también exige que el resumen se "entregue a otro Agent para que continúe", y fija secciones predefinidas como objetivos, decisiones y siguientes pasos.
- No separar las llamadas a herramientas de sus resultados. Igual que el bucle while de nuestro compact(), todos los proyectos lo manejan.
4. Archivos de instrucciones y habilidades: AGENTS.md y load_skill
Casi todos leen AGENTS.md (la descripción del proyecto escrita para el Agent):
- Codex: lee capa por capa desde la raíz de git hasta el directorio actual y las concatena, con un límite total de 32 KiB; si en la misma capa hay un
AGENTS.override.md, lo lee con prioridad. - OpenCode: busca AGENTS.md, y si no está en el mismo directorio, recurre a leer CLAUDE.md.
- goose: lee
.goosehintsy AGENTS.md.
En cuanto a las habilidades, el nombre de la herramienta de goose es idéntico al nuestro: se llama load_skill (crates/oi-kit-agent/src/skills/operation.rs):
fn load_skill_tool() -> Tool {
Tool::new(
LOAD_SKILL_TOOL_NAME,
"Load a skill's full content into your context so you can follow its instructions.\n\n\
Skills are listed in your system instructions. When you need to use one, \
load it first to get the detailed instructions.",
schema_for_type::<LoadSkillParams>(),
)
}Lo que escribiste en el capítulo 2 es justamente la práctica predominante en la industria.
5. MCP: el enchufe común para todos
Los tres proyectos soportan MCP: Codex se configura bajo [mcp_servers.名字] en config.toml; OpenCode se configura en opencode.json con local / remote; goose es el más radical, todas las herramientas pasan por MCP, cada extensión es un cliente MCP, y el nombre de la herramienta lleva el prefijo "nombre de la extensión__nombre de la herramienta".
Manos a la obra: añade tres cosas a myagent siguiendo su ejemplo
- 1?
- 2?
- 3?
Haz clic uno por uno, en orden.
Una referencia de implementación para lo primero:
agents_md = Path("AGENTS.md")
if agents_md.exists():
SYSTEM += "\n\n项目说明(AGENTS.md):\n" + agents_md.read_text(encoding="utf-8")[:8000]Pon a prueba tus conocimientosTras leer el código fuente de los tres proyectos, ¿cómo se compara el bucle central del Agent con el myagent que escribiste?
Comprueba
- Puedo explicar cómo maneja cada uno de los tres proyectos "llegar al límite de pasos"
- Puedo decir sus umbrales de compactación y por qué el resumen se escribe como un "acta de traspaso"
- Añadí a myagent al menos una de las funciones aprendidas
Vuelve a las preguntas frecuentes, o ve al curso de OpenClaw o al curso del Bot Grok para poner en práctica estos diseños.