Objetivo:
aprender a distribuir Luna, Terra, Sol y Astra de forma inteligente para maximizar rendimiento, reducir costos y mantener flujos de trabajo de agentes funcionando durante largos períodos.
El GPT-6 Astra de OpenAI, anunciado el 3 de septiembre de 2026, representa un salto importante en la capacidad de los agentes para realizar tareas informáticas complejas que anteriormente requerían una intervención humana considerable.
Pero el verdadero desafío ya no es simplemente preguntarse "¿puede Astra hacer esta tarea?".
La pregunta importante ahora es:
¿Dónde aporta realmente valor Astra, cómo debemos asignar nuestros recursos, cómo podemos mantener los agentes trabajando durante más tiempo y cómo conseguimos todo esto con el menor costo posible?
Este artículo está dirigido principalmente a quienes utilizan Codex y agentes de programación de forma habitual, especialmente en entornos cercanos a producción.
Público objetivo
Este manual está pensado para personas que:
- Utilizan agentes mediante Codex o la API de OpenAI en entornos casi productivos.
- Quieren alternar entre Luna, Terra, Sol y Astra para reducir los costos mensuales de API o infraestructura.
- Quieren construir flujos de trabajo de larga duración para: depuración exhaustiva, refactorizaciones grandes, utilización de herramientas informáticas, verificación matemática, pruebas automatizadas, y tareas que requieren mantener el contexto durante mucho tiempo.
0. Requisitos previos
Implementación, empresa, Daybreak y disponibilidad
Antes de intentar optimizar Astra, hay que comprobar primero que el modelo realmente esté disponible para nuestra cuenta y entorno.
Fecha de anuncio
3 de septiembre de 2026 — anuncio oficial
Despliegue
Según los comunicados oficiales, Trusted Access/Daybreak será uno de los primeros canales de implementación.
Los planes Plus, Pro, Business y Enterprise, además de la API y AWS, se implementarían posteriormente.
En entornos empresariales, el administrador puede necesitar habilitar explícitamente el acceso.
Puntos importantes
- Enterprise: el administrador debe habilitarlo cuando corresponda.
- Nivel gratuito: Astra no se plantea como un modelo gratuito.
- Créditos: los usuarios de planes de pago pueden disponer de opciones de créditos adicionales según el producto.
- Ciberseguridad: algunas capacidades avanzadas pueden estar condicionadas a rutas de acceso específicas como Daybreak.
- API model ID: gpt-6-astra.
Precio estándar de API
Según las tarifas indicadas en este documento:
- Input: $10 / millón de tokens.
- Output: $50 / millón de tokens.
Existen diferentes tarifas y condiciones para determinados modos, contextos largos, caché y procesamiento prioritario.
Regla fundamental:
que Astra no aparezca en la interfaz no significa necesariamente que el modelo no exista para tu organización. Primero comprueba disponibilidad, permisos y despliegue.
Mientras se verifica el acceso, la estrategia puede construirse utilizando Sol como modelo base.
1. ¿Dónde destaca Astra y dónde es suficiente Sol?
Astra está diseñado como un modelo de gama alta para tareas profesionales, especialmente aquellas relacionadas con:
- uso de computadoras,
- navegación,
- ingeniería de software,
- agentes,
- ciencia,
- matemáticas,
- tareas complejas de extremo a extremo.
La documentación oficial posiciona los modelos de gama alta para los trabajos más difíciles de principio a fin.
La estrategia correcta, sin embargo, no es utilizar Astra para absolutamente todo.
La estrategia correcta es:
Utilizar Astra únicamente cuando su mayor capacidad tenga un impacto real en el resultado.
1.1. ¿Dónde aparece realmente la diferencia?
Las diferencias más importantes tienden a aparecer en tareas donde se combinan varios factores:
- múltiples archivos o módulos,
- muchos pasos consecutivos,
- uso intensivo de herramientas,
- interacción con interfaces gráficas,
- problemas difíciles de reproducir,
- razonamiento matemático,
- depuración prolongada,
- alto costo de equivocarse,
- pérdida de contexto,
- necesidad de mantener una estrategia durante mucho tiempo.
En tareas cotidianas y simples, la diferencia puede ser mucho menor.
Por eso, una buena regla es:
No preguntes qué modelo es "mejor". Pregunta qué modelo es más barato para completar correctamente esta tarea.
1.2. OSWorld, Mind2Web y la cuestión de la velocidad
Los benchmarks como OSWorld y Mind2Web son útiles para entender las diferencias entre modelos, pero deben interpretarse correctamente.
En las simulaciones de latencia de OSWorld 2.0 mencionadas en la documentación oficial, Astra obtuvo una utilización del procesador superior a Sol y mostró aproximadamente un 47 % menos de tiempo por tarea en la comparación indicada.
Por ejemplo:
- Astra: aproximadamente 40 minutos.
- Sol: aproximadamente 75 minutos.
La puntuación indicada fue aproximadamente:
- Astra: 72,6 %
- Sol: 65,7 %
Asimismo, la documentación indica que Astra + el nuevo Codex harness puede ser aproximadamente 1,9× más rápido que la experiencia actual de Sol en determinadas pruebas de Mind2Web.
Pero hay que recordar dos cosas
1. Es un benchmark.
Un resultado de 1,9× en Mind2Web no significa que todas las tareas internas de una empresa serán 1,9× más rápidas.
2. Sí proporciona una señal útil.
Cuanto más dependa una tarea de:
- pantallas,
- herramientas,
- navegación,
- múltiples acciones,
- decisiones intermedias,
más sentido tiene evaluar una combinación de modelo + sistema de agentes, en lugar de comparar únicamente tokens por segundo.
1.3. ¿Cuándo Sol es suficiente?
Utiliza primero Sol, Terra o Luna cuando:
- la respuesta puede completarse en un solo intercambio;
- solo necesitas modificar uno o dos archivos;
- las pruebas son cortas;
- la tarea es principalmente de lectura;
- no se requiere GUI;
- no se necesitan herramientas complejas;
- el costo de repetir el trabajo es bajo;
- un fallo no genera grandes consecuencias.
Astra comienza a tener sentido cuando ocurre lo contrario
Por ejemplo:
- muchos archivos;
- múltiples módulos;
- largas cadenas de herramientas;
- uso de computadora;
- depuración compleja;
- verificación matemática;
- tareas donde un fallo implica mucho retrabajo;
- pérdida de contexto durante una sesión larga.
2. Configuración de ChatGPT, API y Codex
2.1. ChatGPT: seleccionar Astra
Cuando Astra esté disponible:
- Abre ChatGPT en Web o Desktop.
- Comprueba el selector de modelos.
- Selecciona Astra / GPT-6 Astra.
- Si utilizas Codex, comprueba que el mismo modelo esté disponible allí.
- Si Astra no aparece: comprueba el plan; comprueba los permisos empresariales; verifica el despliegue; utiliza Sol como configuración temporal.
Los planes Pro, Business y Enterprise pueden incluir variantes específicas de Astra. No conviene sacar conclusiones únicamente por el nombre mostrado en la interfaz: revisa siempre la descripción correspondiente al plan.
2.2. API: model = "gpt-6-astra"
La configuración básica consiste en especificar el modelo en la API de Responses.
Consideraciones importantes
- Para llamadas a herramientas, utiliza preferentemente Responses API.
- Astra no admite reasoning.effort = "none".
- Si utilizas un nivel bajo de razonamiento, comienza con una configuración pequeña y aumenta únicamente cuando sea necesario.
- Algunos parámetros tradicionales, como temperature o top_p, pueden no estar disponibles.
- La residencia de datos en la UE puede imponer restricciones sobre Fast/Priority.
- La configuración de caché puede migrarse a prompt_cache_options.ttl.
2.3. Codex: gestión experimental del contexto
Para sesiones largas, Codex puede utilizar mecanismos de gestión de contexto que van más allá de la simple compresión del historial.
La idea es conservar información importante como:
- hipótesis investigadas;
- hipótesis descartadas;
- archivos inspeccionados;
- pruebas ejecutadas;
- resultados obtenidos;
- decisiones tomadas.
Una configuración conceptual puede ser:
La configuración experimental de gestión de contexto debe tratarse como tal y verificarse contra la versión actual de Codex antes de adoptarla como estándar del equipo.
¿Por qué importa?
En una sesión de depuración de varias horas, perder el contexto puede obligar al agente a volver a investigar:
- qué hipótesis ya fueron descartadas;
- qué archivos ya fueron revisados;
- qué comandos ya funcionaron;
- qué pruebas ya fueron ejecutadas.
La toma de notas reduce esa repetición.
Importante:
nunca guardes información confidencial, secretos, API keys o datos sensibles en notas persistentes del agente.
2.4. Aprobaciones y sandbox
El objetivo de la automatización no debería ser:
"Que el agente pueda hacer absolutamente todo."
El objetivo debería ser:
Automatizar todo lo reversible y mantener intervención humana únicamente en los puntos irreversibles o de alto riesgo.
Configuración interactiva recomendada como punto de partida:
El agente puede encargarse de:
- leer archivos;
- ejecutar pruebas;
- analizar logs;
- realizar cambios locales;
- crear commits;
- preparar una Pull Request;
- revisar su propio trabajo;
- corregir errores.
El humano debe mantener el control sobre:
- producción;
- despliegues;
- merge final;
- publicación;
- envío de información externa;
- modificación de permisos;
- operaciones irreversibles;
- información confidencial.
La aprobación debería convertirse en el último checkpoint, no en una interrupción constante durante todo el proceso.
2.5. AGENTS.md y Skills
Antes de comenzar un trabajo importante con Codex, el agente debe conocer las reglas del proyecto.
Una arquitectura útil es:
AGENTS.md
Contiene:
- reglas permanentes;
- alcance permitido;
- restricciones;
- condiciones de finalización;
- pruebas obligatorias;
- puntos de aprobación humana.
Skills
Contienen:
- procedimientos repetitivos;
- workflows;
- checklists operativos;
- procesos especializados.
MCP
Se utiliza para:
- conexiones externas;
- servicios;
- herramientas;
- fuentes de datos.
Una división sencilla sería:
AGENTS.md = reglas
Skills = procedimientos
MCP = conexiones
Ejemplo mínimo de AGENTS.md
3. Cómo escribir instrucciones que aprovechen Astra
La calidad de las instrucciones tiene un impacto enorme en los agentes de larga duración.
Astra puede ser muy sensible a:
- ambigüedades;
- contradicciones;
- instrucciones obsoletas;
- Skills inconsistentes;
- reglas duplicadas.
Por eso, una buena configuración puede mejorar el rendimiento tanto como cambiar de modelo.
3.1. Aumentar la autonomía
En lugar de crear instrucciones que hagan que el agente pida confirmación constantemente, define claramente el espacio dentro del cual puede actuar por sí mismo.
3.2. Aprobación después de resultados revisables
Una de las mejores reglas para agentes autónomos es:
Primero producir un resultado revisable; después pedir aprobación para el paso irreversible.
Esto evita el patrón:
agente → pregunta → humano → agente → pregunta → humano
y lo sustituye por:
agente → investiga → implementa → prueba → prepara resultado → humano aprueba → acción final
3.3. Preguntas que no bloquean la tarea principal
En sesiones largas puede ser útil permitir preguntas independientes sin detener el flujo principal.
Una buena regla es:
The main task has a fixed one-sentence completion condition. If an independent question appears during execution, answer it briefly without interrupting the main task. Only stop the main workflow when the question changes the task direction, scope, permissions, or required output.
La API también puede utilizar mecanismos para enviar instrucciones adicionales durante una ejecución y herramientas asíncronas para trabajos prolongados.
3.4. Delegación a subagentes
Cuando una tarea puede paralelizarse, hazlo explícitamente.
If parallelization is likely to reduce execution time or improve quality, delegate independent subtasks to other agents. Prefer parallel work for independent investigations, module-level changes, test verification, documentation checks, and code review. Keep inter-agent messages concise, explicit, and readable.
Ejemplos de paralelización:
- Agente A → investigar módulo de autenticación.
- Agente B → analizar tests.
- Agente C → revisar tipos.
- Agente D → revisar documentación.
Después, el agente principal integra los resultados.
3.5. Controlar el volumen de pruebas
Más pruebas no siempre significa mejor resultado.
Para cambios pequeños:
El objetivo es evitar que una modificación trivial provoque una batería enorme de pruebas innecesarias.
3.6. Plantilla para depuración prolongada
3.7. Plantilla para tareas de computadora y navegador
4. Maximizar el valor, no el número de tokens
La pregunta correcta no es:
"¿Cómo puedo gastar todos los tokens de Astra?"
La pregunta correcta es:
"¿Cómo puedo conseguir más trabajo terminado por cada dólar gastado?"
Según las tarifas indicadas:
ModeloInput / 1MOutput / 1MAstra$10$50Sol$4$20Terra$2$12Luna$0.20$1.20
Astra es claramente más caro por token.
Pero el precio por token no representa necesariamente el costo real de completar una tarea.
Si Astra consigue:
- menos errores;
- menos iteraciones;
- menos retrabajo;
- menos llamadas de herramientas;
- menor tiempo total;
- mayor tasa de éxito;
entonces el costo por tarea completada puede ser competitivo o incluso inferior.
4.1. Tabla práctica de enrutamiento
La regla general:
Luna/Terra para volumen → Sol para trabajo estándar → Astra para los trabajos que realmente justifican su costo.
4.2. Hábitos que reducen costos
- Escribe primero la condición de finalización
Esto reduce exploraciones innecesarias.
- Evita monólogos intermedios
Prioriza:
State → Next action → Result
en lugar de explicaciones interminables.
- Envía verificaciones simples a modelos económicos
No desperdicies Astra en:
- comprobar formato;
- resumir logs pequeños;
- clasificar archivos;
- realizar tareas repetitivas.
- Estabiliza el prefijo de las instrucciones
Mantener instrucciones de sistema/desarrollador consistentes puede favorecer el uso eficiente de caché.
- Utiliza modos rápidos solo cuando aporten valor
Si un modo cuesta más, debe justificarse por una reducción real del tiempo de ejecución.
4.3. Auditoría semanal de costos
Cada semana revisa:
- tareas ejecutadas con Astra;
- motivo por el que se utilizó;
- resultado;
- costo aproximado;
- si Sol habría sido suficiente;
- si Terra habría sido suficiente;
- número de iteraciones;
- fallos;
- retrabajo.
Regla sencilla
Si no puedes explicar por escrito:
"Astra era necesario porque..."
considera mover esa categoría de tareas a un modelo inferior.
5. Workflow recomendado
5.1. Depuración larga
Paso 1 — Clasificación
Si hay múltiples archivos, reproducción compleja o muchas herramientas:
Astra.
Si es sencillo:
Sol/Terra.
Paso 2 — Límites
Define en AGENTS.md:
- archivos permitidos;
- archivos prohibidos;
- comandos permitidos;
- pruebas obligatorias;
- puntos de aprobación.
Paso 3 — Configuración
model = "gpt-6-astra" approval_policy = "on-request" sandbox_mode = "workspace-write" [features.context_management] experimental_mode = true
Paso 4 — Inicio
Empieza siempre con una condición de finalización clara.
Paso 5 — Registro
Conserva:
- hipótesis;
- pruebas;
- resultados;
- archivos examinados;
- decisiones.
Paso 6 — Interrupciones
Las preguntas independientes no deben destruir el contexto de la tarea principal.
Paso 7 — Entregable
El agente puede llegar hasta:
Pull Request lista para revisión.
El merge final queda bajo control humano.
Paso 8 — Aprendizaje
Si el mismo problema aparece repetidamente:
conviértelo en una
Skill
.
5.2. Refactorización a gran escala
Una estrategia de dos etapas funciona bien:
Etapa 1 — Investigación barata
Utiliza:
Luna → Terra → Sol
para construir:
- mapa de dependencias;
- impacto;
- módulos afectados;
- riesgos;
- plan de ejecución.
Etapa 2 — Implementación
Utiliza:
Astra
para los módulos que realmente requieren mayor capacidad.
Etapa 3 — Paralelización
Subagentes para:
- tests;
- type checking;
- revisión;
- módulos independientes.
Etapa 4 — Revisión humana
El humano se concentra en:
- arquitectura;
- APIs públicas;
- compatibilidad;
- decisiones irreversibles.
5.3. Uso de computadora
Para tareas de navegador o GUI:
- Define claramente la pantalla objetivo.
- Define las operaciones prohibidas.
- Utiliza Astra cuando la tarea sea larga o visualmente compleja.
- Utiliza el harness de Codex más reciente cuando corresponda.
- Registra estados y procedimientos.
- Convierte el resultado en un entregable revisable.
La cifra de 1,9× en Mind2Web debe interpretarse únicamente como benchmark, no como garantía de rendimiento interno.
5.4. Agente basado en API
Configuración conceptual:
Model: gpt-6-astra API: Responses Reasoning: low → high when required Tools: enabled Long-running tools: asynchronous when appropriate Human gate: final irreversible action
Para herramientas de larga duración:
Use asynchronous tool execution when the tool runtime is long enough that blocking synchronous execution would reduce throughput.
Si el nivel de dificultad cambia durante la ejecución:
Increase reasoning effort only when the task becomes genuinely difficult. Return to a lower reasoning level for routine execution when appropriate.
La idea es reservar los recursos más caros para los momentos que realmente los necesitan.
6. Qué hacer y qué no hacer
Hacer
- Reservar Astra para tareas donde marque una diferencia real.
- Revisar inconsistencias entre AGENTS.md y Skills.
- Mantener las aprobaciones como último checkpoint.
- Generar resultados revisables antes de pedir autorización.
- Activar la gestión de contexto para tareas largas cuando corresponda.
- Registrar hipótesis, pruebas y resultados.
- Tratar benchmarks como orientación, no como KPI interno.
- Medir tasa de éxito y tiempo por tarea.
- Comprobar desde el principio si una tarea requiere Daybreak.
- Mantener información confidencial fuera de notas persistentes.
No hacer
- Utilizar Astra para cada pregunta pequeña.
- Interpretar frases promocionales como especificaciones técnicas.
- Tratar experiencias individuales de X o Reddit como documentación oficial.
- Declarar despliegue empresarial antes de que el administrador lo habilite.
- Dar acceso automático a operaciones irreversibles.
- Guardar secretos o información confidencial en archivos de contexto.
- Ejecutar enormes baterías de pruebas para cambios triviales.
- Utilizar benchmarks externos como sustituto de métricas internas.
7. Plan de implementación de 60 minutos
0–5 minutos
Comprueba si gpt-6-astra está disponible:
- selector de modelos;
- API;
- Codex.
Si es Enterprise, verifica los permisos del administrador.
5–15 minutos
Comprueba:
model = "gpt-6-astra" approval_policy = "on-request" sandbox_mode = "workspace-write"
Y, para experimentos de contexto:
[features.context_management] experimental_mode = true
Reinicia Codex si es necesario.
15–25 minutos
Actualiza AGENTS.md:
- alcance;
- restricciones;
- pruebas;
- condiciones de finalización;
- puntos de aprobación.
25–35 minutos
Crea una tabla de routing:
Luna → Terra → Sol → Astra
35–55 minutos
Ejecuta una tarea real de depuración de alcance limitado con Astra.
Utiliza una condición de finalización explícita.
55–60 minutos
Registra:
- ¿Astra era realmente necesario?
- ¿Sol habría sido suficiente?
- ¿Cuánto retrabajo evitó?
- ¿Qué configuración funcionó?
- ¿Qué debería convertirse en Skill?
Eso es suficiente.
No necesitas probar todas las funciones disponibles.
Distribución + límites + sesiones largas = la base para aprovechar Astra.
8. Patrones prácticos recurrentes
1. Cohete de dos etapas
Modelo económico → Astra
Primero:
- investigación;
- definición del alcance;
- análisis.
Después:
- implementación compleja;
- integración;
- verificación.
2. Condición de finalización desde el principio
En agentes largos, escribe en la primera parte de la instrucción:
"La tarea estará terminada cuando..."
Esto evita exploraciones sin objetivo.
3. Contexto y toma de notas
Para trabajos largos, conserva:
- hipótesis;
- resultados;
- decisiones;
- pruebas;
- archivos importantes.
No dependas exclusivamente de la memoria comprimida del agente.
4. La aprobación debe ser el último paso
No interrumpas constantemente.
Mejor:
Investigar → implementar → probar → preparar resultado → revisar → aprobar → ejecutar acción irreversible
5. Benchmarks como orientación
Mind2Web y OSWorld pueden ayudarte a decidir qué probar.
Pero los KPI reales deben ser internos:
- tasa de éxito;
- tiempo de ejecución;
- costo por tarea;
- número de iteraciones;
- retrabajo;
- intervención humana.
9. Errores comunes
Antes de concluir:
"Astra es débil."
comprueba primero, en este orden:
- Visibilidad
¿El modelo está realmente disponible?
- Framework
¿Codex está actualizado y correctamente configurado?
- Prompt
¿Las instrucciones son claras?
- AGENTS.md
¿Existen reglas contradictorias?
- Skills
¿Hay procedimientos antiguos o inconsistentes?
- Routing
¿Estás utilizando el modelo adecuado para el trabajo?
Muchas veces el problema no es la capacidad del modelo.
Es el entorno en el que el modelo está trabajando.
10. Checklist de implementación para equipos
- Definir quién utilizará Astra.
- Activar los permisos administrativos necesarios.
- Establecer un responsable y una fecha límite.
- Crear una tabla de routing Luna/Terra/Sol/Astra.
- Crear un AGENTS.md mínimo.
- Definir approval_policy.
- Definir sandbox_mode.
- Definir los puntos de intervención humana.
- Documentar operaciones confidenciales.
- Establecer una revisión semanal de costos.
- Registrar qué tareas realmente requieren Astra.
- Convertir errores repetitivos en Skills.
La prioridad debe ser reducir los errores y el retrabajo del equipo, no simplemente maximizar la velocidad de un agente individual.
11. Árbol de decisión: Sol vs. Astra
Utiliza esta secuencia al comienzo de una tarea:
- ¿Puede completarse en un solo intercambio?
Sí → Luna / Terra / Sol
No → continúa.
- ¿Necesita GUI, herramientas o muchos pasos?
Sí → Astra
No → continúa.
- ¿El costo de fallar es elevado?
Sí → Astra
No → Sol/Terra
- ¿La tarea puede cambiar de dificultad durante la ejecución?
Sí → considera Astra + ajuste dinámico de razonamiento.
- ¿Astra todavía no está disponible?
Ejecuta el mismo workflow con Sol.
Cuando Astra aparezca, cambia únicamente el modelo y conserva la estructura.
12. Migración de API a Astra
El orden recomendado es:
- Cambiar el modelo
model = "gpt-6-astra"
- Utilizar Responses API
Especialmente si existen llamadas a herramientas.
- Revisar reasoning
Astra no utiliza:
reasoning.effort = "none"
Comienza con un nivel bajo cuando sea suficiente.
- Eliminar parámetros innecesarios
Revisa parámetros como:
temperature top_p
si el modelo o endpoint ya no los admite.
- Revisar caché
Migra a:
prompt_cache_options.ttl
cuando corresponda.
- Revisar residencia de datos
Si utilizas infraestructura o requisitos de residencia en la UE, verifica las restricciones correspondientes.
- Ajustar el razonamiento dinámicamente
Durante una tarea difícil:
Increase reasoning effort when the task becomes genuinely difficult.
Durante operaciones rutinarias:
Return to a lower reasoning level when additional reasoning is no longer useful.
- Herramientas largas
Considera ejecución asíncrona cuando el tiempo de la herramienta lo justifique.
13. Configuración mínima de Codex
Una configuración inicial puede ser:
model = "gpt-6-astra" model_reasoning_effort = "high" approval_policy = "on-request" sandbox_mode = "workspace-write" [features.context_management] experimental_mode = true
Y el repositorio debería contener un AGENTS.md que defina:
AGENTS.md ## Goal - Keep changes minimal. - Completion requires all required tests to pass. ## Allowed scope - src/ - tests/ ## Approval gates - Production deployment - External data transmission - Permission changes - Final merge ## Operating behavior - Work autonomously within the approved scope. - Prefer reversible actions. - Produce reviewable results before requesting approval. - Do not ask unnecessary confirmation questions.
Después de modificar la configuración:
- reinicia Codex;
- ejecuta una pequeña tarea de lectura;
- verifica que el entorno funciona;
- comienza la tarea principal.
14. Define "máxima utilización" en una sola frase
En este documento, máxima utilización no significa consumir el máximo número de tokens.
Significa:
Concentrar Astra en las tareas donde realmente puede marcar una diferencia, ejecutar todo lo demás de forma económica y construir una base sólida de instrucciones, límites, aprobaciones y gestión de contexto que permita completar tareas largas sin interrupciones innecesarias.
De esta definición se desprenden varias decisiones:
- Es mejor actualizar semanalmente la tabla de routing que cambiar de modelo arbitrariamente.
- Es mejor realizar una prueba real de depuración que probar todas las funciones nuevas.
- Es mejor medir éxito y tiempo por tarea que perseguir benchmarks.
- No debemos convertir frases promocionales en especificaciones internas.
- Si Astra no está disponible, Sol puede utilizarse como sustituto temporal.
15. Los tres entregables fundamentales
Al final, todo este sistema debería producir tres elementos:
1. Tabla de asignación dinámica
Define cuándo utilizar:
Luna / Terra / Sol / Astra
2. AGENTS.md
Define:
- reglas;
- alcance;
- restricciones;
- pruebas;
- condiciones de finalización;
- checkpoints humanos.
3. Prompt operativo largo
Debe definir:
- rol;
- objetivo;
- condiciones de finalización;
- procedimiento;
- límites;
- herramientas;
- validación;
- formato de salida.
Estos tres elementos son más importantes que memorizar todo el catálogo de funciones.
16. Tarjeta de clasificación para copiar
Utiliza esta tarjeta al comienzo de cada sesión importante:
La tarjeta no necesita ser perfecta.
Su objetivo es crear un hábito de clasificación.
Si recomiendas Astra pero la tarea solo necesita respuestas cortas, probablemente estás sobredimensionando el modelo.
Si Sol falla repetidamente por pérdida de contexto o incapacidad para completar una cadena larga de acciones, probablemente sea momento de subir a Astra.
17. Cómo pensar realmente en el precio
Las tarifas por millón de tokens son solo una parte de la ecuación.
Por ejemplo:
Astra
- Input: $10
- Output: $50
Sol
- Input: $4
- Output: $20
Astra cuesta más.
Pero imaginemos:
Sol
$5 de tokens + 4 intentos + 2 fallos + retrabajo humano = costo real elevado
Astra
$12 de tokens + 1 intento + resultado correcto = menor costo total por tarea
Por eso, en tareas cortas:
Precio por token importa mucho.
En tareas largas:
Costo por tarea completada importa mucho más.
La métrica final debería ser:
Costo × tasa de éxito × tiempo × intervención humana
y no únicamente:
$/1M tokens
Conclusión
El objetivo de Astra no debería ser convertirlo en el modelo predeterminado para todo.
El objetivo debería ser construir un sistema donde cada modelo haga el trabajo para el que resulta más eficiente.
Luna
Volumen y tareas sencillas.
Terra
Equilibrio entre costo y capacidad.
Sol
Trabajo estándar y programación general.
Astra
Tareas complejas, largas, agentic, GUI, matemáticas, depuración y trabajos donde fallar resulta caro.
El patrón más potente es:
Investigar barato → planificar → ejecutar con Astra cuando sea necesario → verificar → preparar un resultado revisable → intervención humana únicamente en el checkpoint final.
La verdadera optimización no consiste en utilizar Astra más.
Consiste en saber exactamente cuándo Astra vale la pena.
Y cuanto más complejos sean los agentes, más importante será la infraestructura que los rodea: AGENTS.md, Skills, sandbox, aprobaciones, gestión de contexto, routing y medición del costo por tarea.
Ese es el camino para pasar de simplemente "usar Astra" a construir un flujo de trabajo realmente optimizado para agentes.
Si te ha gustado el artículo y quieres seguir aprendiendo, no dudes en seguirme :)
SONIA
![[Aviso de reabastecimiento] Preventa del Leica Leitzphone con tecnología de Xiaomi abierta el 7 de septiembre, limitada a 200 unidades](/cdn-cgi/image/width=1920,quality=90,format=auto,metadata=none/https%3A%2F%2Fcms-assets.youmind.com%2Fmedia%2F1788800880826_b9pqys_HRiY_lubQAAiJyR.jpg)
