PrimeIntellect presenta Prime Agent, un harness de código auto-mejorable basado en RLM y Continual Harness
La compañía PrimeIntellect anunció esta semana el lanzamiento de Prime Agent, un harness (entorno de ejecución) de código auto-mejorable y de código abierto, diseñado en torno a dos abstracciones centrales: el Recursive Language Model (RLM) y el Continual Harness. Según la compañía, se trata del primer harness de programación concebido desde cero para explotar las capacidades de los modelos de frontera actuales y anticipar las de la próxima generación, en lugar de adaptarse a las limitaciones de modelos previos.
Los harnesses tradicionales —los marcos que orquestan cómo un modelo de lenguaje interactúa con herramientas, sub-agentes y memoria— fueron diseñados pensando en generaciones anteriores de modelos. PrimeIntellect sostiene que sus esquemas fijos de llamadas a herramientas y sus mecanismos estáticos de compactación de contexto obligan al modelo a trabajar «alrededor» de su propio andamiaje en lugar de aprovecharlo. Elementos como los sub-agentes, los prompts, las habilidades (skills) y la memoria son establecidos manualmente en tiempo de diseño y nunca se adaptan a lo que el agente aprende durante su ejecución. La propuesta de PrimeIntellect es invertir esa lógica: que el propio harness pueda ser modificado por el agente mientras trabaja.
Las dos abstracciones en las que se apoya Prime Agent definen su funcionamiento. En primer lugar, el Recursive Language Model (RLM) trata el contexto como una variable y la delegación en sub-agentes como llamadas a funciones dentro de un REPL —un intérprete persistente (IPython) que se mantiene activo durante toda la sesión. Esto le da al modelo acceso programático a su propio historial, a sus sub-agentes y a sus herramientas, permitiéndole escribir «programas de modelo de lenguaje» que actúan sobre su propio contexto. El REPL persistente permite procesar sesiones de duración arbitraria sin perder acceso a información pasada, almacenada en variables.
En segundo lugar, Continual Harness trata el estado del propio harness —sus prompts, habilidades, memoria y sub-agentes— como algo que el agente puede crear, leer, actualizar y borrar (CRUD) desde su propia trayectoria. Combinado con la comunicación entre agentes, este mecanismo habilita la orquestación entre sub-agentes e incluso entre distintas sesiones de Prime Agent. En la práctica, Prime Agent puede lanzar sub-agentes persistentes, enviarles mensajes más adelante dentro de su trayectoria y comunicarse directamente con otra sesión de Prime Agent en ejecución.
Arquitectura técnica
El núcleo de Prime Agent es un kernel IPython persistente que funciona como su única herramienta principal. El resto de funciones del harness —incluidos los sub-agentes, cada uno implementado como otra instancia de prime-agent— se invocan como funciones dentro de ese kernel. El modelo puede llamar a sub-agentes de forma asíncrona mediante la función rlm(), paralelizándolos libremente desde el código, y los resultados llegan posteriormente a través de un mecanismo de mensajería agent-to-agent.
Toda la sesión se almacena en archivos JSONL append-only en disco, lo que permite bifurcaciones, forks y clones simplemente moviendo un puntero dentro del mismo archivo. El historial completo es siempre recuperable mediante el comando /tree. La compactación del contexto ocurre al alcanzar un umbral o a instancias del propio agente con compact.run(), y un agente secundario actúa como recolector de basura asíncrono para evitar la acumulación de memoria en el REPL.
Un daemon en segundo plano gestiona todas las sesiones activas a través de un socket local, lo que permite al usuario conectarse y desconectarse sin afectar al bucle del agente. Cada sesión raíz corre en un proceso trabajador recuperable: si un worker falla, el daemon lo restaura desde el JSONL y la instantánea del estado del kernel. La llamada Agents View, accesible pulsando la flecha izquierda sobre un prompt vacío, lista las sesiones activas, las inactivas con el daemon todavía presente y las inactivas sin cargar en memoria. Es posible entrar en cualquiera de ellas, inyectarles prompts o ejecutar comandos como /compact.
Aplicaciones y disponibilidad
PrimeIntellect plantea tres usos principales para Prime Agent: asistente general de programación, runtime por defecto para evaluación autónoma de larga duración y colaborador para investigación y autoresearch (investigación automatizada sobre el propio modelo). La compañía subraya que el rendimiento del harness está ligado tanto a su diseño como a la capacidad del modelo entrenado alrededor de él, y que ha sido diseñado para ser inmediatamente usable con modelos de frontera modernos —tanto abiertos como cerrados— aunque esperan ganancias adicionales a medida que nuevas generaciones de modelos se entrenen pensando en este tipo de control programático directo.
Prime Agent se publica como proyecto de código abierto en el repositorio de GitHub de PrimeIntellect y puede instalarse mediante un único comando curl que descarga y ejecuta el script de instalación desde app.primeintellect.ai.
Análisis y perspectivas
El anuncio se inscribe en una tendencia más amplia del sector: el desplazamiento desde harnesses rígidos y artesanales hacia entornos donde el propio modelo puede manipular su scaffolding. La decisión de basar toda la interacción en un REPL persistente —en lugar de un esquema fijo de herramientas— apunta a un modelo de uso más cercano al de un programador que al de un usuario de chat, y presupone que los modelos de frontera ya son capaces de generar código de orquestación fiable. El diseño abierto y la posibilidad de instalar Prime Agent con un único comando sugieren que PrimeIntellect busca adopción rápida entre desarrolladores e investigadores que experimentan con agentes autónomos de larga duración, un campo donde la gestión del contexto y la coordinación multi-agente siguen siendo los principales cuellos de botella.