Construir agentes que iteren sobre un producto exige algo más que un prompt con reintentos: hace falta un arnés de evaluación que distinga entre moverse y progresar. El texto describe un sistema en el que un agente de desarrollo modifica la funcionalidad, un driver la aborda como lo haría un usuario, un scorer registra lo ocurrido y un controlador elige, a partir de esa evidencia, la siguiente brecha que cerrar. Estado del repositorio transporta esa decisión a la siguiente sesión.
El arnés debe ofrecer un punto de partida reproducible, demanda real —peticiones escritas o aprobadas por personas— y un suelo determinista de pruebas que preserve lo ya ganado. Una ronda cierra un único claim causal: restaurar el fixture, ejecutar el suelo, enviar la petición, recoger comportamiento, resultado visible y efectos persistentes, clasificar la mayor brecha y añadir una comprobación determinista que la evite en el futuro. Las señales eligen dirección; el suelo conserva progreso.
El scorer forma parte del modelo de amenaza, ya que un bucle autónomo optimizará cualquier medida que pueda alcanzar, incluida una defectuosa. Por eso se establecen tres niveles de autoridad —archivos libres, archivos que requieren propuesta y archivos congelados como la rúbrica de evaluación— y se prohíbe que una misma ronda cambie una pieza del producto y su medida. Tres bucles corren a velocidades distintas: el de producto, el del arnés y el de dirección, este último en manos humanas. El repositorio actúa como plano de control: objetivos, hechos, corpus aprobado y procedimientos persistentes más allá de cualquier conversación.