Durante años, la IA dentro del software significó un widget de chat instalado en la esquina de una aplicación. Escribiste, el modelo respondió con texto y tradujiste manualmente ese resultado a lo que realmente necesitabas que hiciera. Era útil como lo es una calculadora: funcional, pero fundamentalmente pasiva. CopilotKit, una startup con sede en Seattle cofundada por Atai Barkai y Uli Barkai, ha pasado los últimos dos años argumentando que el modelo no funciona, y en 2026, la comunidad de desarrolladores está de acuerdo en voz alta.
Dale a CopilotKit un ⭐️ en GitHub
El enfoque de la empresa es sencillo: el camino a seguir es permitir que los agentes vivan dentro de las aplicaciones, comprendan lo que hacen los usuarios, realicen acciones y muestren interfaces útiles en lugar de simplemente devolver largos bloques de texto. Ese enfoque ha producido un ciclo de envío agudo de 2026 que cubre tres brechas de infraestructura distintas, recuperación de conocimientos, confiabilidad de las pruebas y persistencia del tiempo de ejecución, con cada lanzamiento dirigido a la arquitectura poco glamorosa y a menudo omitida que separa las demostraciones de agentes de los sistemas de nivel de producción.
The Protocol Foundation: AG-UI llena el espacio que falta
Antes de que las nuevas herramientas tengan sentido, la capa de protocolo que se encuentra debajo debe tenerlo. El ecosistema agente ha ensamblado silenciosamente una pila de tres capas. MCP estandariza cómo los agentes acceden a herramientas y bases de datos externas. A2A se encarga de la coordinación entre agentes. AG-UI, creado por CopilotKit, maneja el tercer problema, que anteriormente no se había abordado: la capa de interacción entre agentes y usuarios humanos dentro de las aplicaciones de software.
Mientras que MCP y A2A manejan el contexto y la coordinación de agentes, AG-UI define la capa de interacción entre el usuario, la aplicación y el agente, brindando transparencia, seguridad y control en el límite más crítico, donde los usuarios interactúan con los agentes. Concretamente, permite respuestas de transmisión en tiempo real, generación dinámica de componentes de interfaz de usuario, sincronización de estado bidireccional y pausas humanas en el circuito donde los agentes esperan la confirmación del usuario antes de continuar.
Actualmente, el protocolo cuenta con el respaldo de los principales proveedores de infraestructura de inteligencia artificial como Google, Microsoft, Amazon y Oracle, así como de marcos populares como LangChain, Mastra, PydanticAI y Agno. Los SDK propios cubren LangGraph, CrewAI, Mastra, Agno y Pydantic AI. En el lado de la comunidad, ahora existen implementaciones totalmente compatibles para Kotlin, Go, Dart, Java, Rust, Ruby y C++, con .NET, Nim, Flowise y Langflow actualmente en progreso: una superficie de SDK comunitario que va mucho más allá de lo que la mayoría de los protocolos en esta etapa pueden reclamar. AWS ha integrado AG-UI en sus ejemplos FAST (Fullstack AgentCore Solution Template) y Bedrock AgentCore, consolidando su papel como infraestructura de producción en lugar de un estándar experimental. El ecosistema también se ha expandido a la educación: Atai Barkai imparte un curso AG-UI completo en DeepLearning.AI, que cubre un backend de LangChain, un frontend de React y AG-UI como tiempo de ejecución, una señal tangible de que el protocolo está lo suficientemente maduro como para enseñarlo, no solo evaluarlo.
El marco que alguna vez enfrentó a MCP, A2A y AG-UI ha dado paso al reconocimiento de que estos protocolos resuelven problemas fundamentalmente diferentes, de manera análoga a cómo operan TCP, HTTP y HTML en diferentes capas de la web. AG-UI es el HTML de esa pila: la capa de presentación e interacción que las capas inferiores hacen posible pero que no pueden proporcionar por sí mismas.
AIMock: su conjunto de pruebas era una mentira
Lanzado en abril de 2026, AIMock es la manifestación más directa de la voluntad de CopilotKit de ofrecer herramientas que exponen verdades incómodas sobre cómo se construyen la mayoría de los equipos. La incómoda verdad aquí es que las salas de pruebas de agentes son en su mayoría teatro. Una solicitud de un solo agente en 2026 puede tocar seis o siete servicios antes de devolver una respuesta: el LLM, un servidor de herramientas MCP, una base de datos vectorial, un reranker, una API de búsqueda web, una capa de moderación y un subagente sobre A2A. La mayoría de los equipos se burlan de uno de ellos. Los otros seis son activos, no deterministas y silenciosamente hacen que el conjunto de pruebas sea una mentira.
AIMock es la solución. Un archivo de configuración JSON. Un puerto. Todos los servicios de los que depende su aplicación de IA. La herramienta cubre once proveedores de LLM, incluidos OpenAI, Claude, Gemini, Bedrock, Azure, Vertex AI, Ollama y Cohere, junto con MCP JSON-RPC 2.0 completo, descubrimiento de tarjetas de agente A2A y transmisión SSE, simulación de flujo de eventos AG-UI para pruebas de interfaz, simulación de bases de datos vectoriales para recuperación RAG determinista (compatible con Pinecone, Qdrant, ChromaDB) y puntos finales de búsqueda, reclasificación y moderación. Cero dependencias: todo creado a partir de las funciones integradas de Node.js.
Tres capacidades lo separan de todas las herramientas de burla anteriores en este espacio. La grabación y reproducción representa llamadas API reales, las guarda como elementos fijos y las reproduce en CI para siempre sin volver a tocar las API en vivo. La detección de desviaciones se ejecuta diariamente en API de proveedores reales y detecta cambios en el formato de respuesta dentro de las 24 horas, antes de que los usuarios los encuentren, porque los proveedores de LLM actualizan periódicamente sus esquemas sin previo aviso. Las pruebas de caos permiten a los desarrolladores inyectar 500 errores, JSON con formato incorrecto y desconexiones a mitad de camino para verificar que su aplicación maneje las fallas correctamente en lugar de descubrir ese caso límite en producción.
La propia AG-UI utiliza AIMock para su propio conjunto de pruebas de extremo a extremo, verificando el comportamiento de los agentes entre proveedores de LLM con respuestas basadas en dispositivos. Cuando el protocolo utiliza la herramienta para probarse a sí mismo, la señal autorreferencial es difícil de descartar.
Pathfinder: infraestructura de conocimiento nativa del agente
El tercer pilar del ciclo 2026 aborda cómo los agentes encuentran información precisa y actualizada sobre el software y la documentación con los que se supone que deben trabajar, un problema que rara vez surge en las demostraciones pero que bloquea constantemente las implementaciones de producción.
Pathfinder es un servidor MCP autohospedado que indexa documentos, códigos, páginas de Notion, hilos de Slack y foros de Discord en datos con capacidad de búsqueda y accesibles para agentes a través de MCP: un archivo de configuración, un comando, compatible con cualquier agente de codificación de IA. Los repositorios de GitHub se incorporan a nivel de documentos (Markdown, MDX, HTML y código fuente), mientras que las fuentes conversacionales como Slack y Discord se resumen en pares de preguntas y respuestas con capacidad de búsqueda que sacan a la luz el conocimiento institucional generalmente atrapado en el historial de chat.
La arquitectura de búsqueda combina la recuperación híbrida de vectores y palabras clave, lo cual es importante en la práctica porque la búsqueda semántica pura falla en identificadores exactos, códigos de error y nombres de API que aparecen palabra por palabra en las consultas. Las incorporaciones conectables admiten OpenAI, Ollama y transformadores.js locales, lo que significa que las implementaciones completamente aisladas que no requieren clave API externa son una opción de primera clase en lugar de una idea de último momento.
La configuración se encuentra completamente en un único archivo pathfinder.yaml. Los eventos push de GitHub desencadenan una reindexación incremental a través de la integración de webhooks. Los puntos finales generados automáticamente (/llms.txt, /llms-full.txt y /.well-known/skills/default/skill.md) brindan a los agentes y clientes rutas de descubrimiento estándar sin configuración adicional. CopilotKit ejecuta Pathfinder para su propia documentación pública, accesible en mcp.pathfinder.copilotkit.dev, lo que la convierte en una prueba de concepto en vivo en lugar de una arquitectura de referencia.
El modelo de privacidad autohospedado es explícito: Pathfinder autohospedado no envía nada externamente. La telemetría se controla en una variable de entorno interna de CopilotKit que no está configurada en ninguna imagen o paquete distribuido públicamente.
La pila que cierra la brecha de producción
La esencia de estas tres versiones no es obvia a partir de ninguna herramienta aislada. Pathfinder aborda la recuperación de conocimientos: los agentes necesitan un contexto preciso y consultable sobre los sistemas en los que operan. AIMock aborda las pruebas de confiabilidad: cada servicio en la cadena de llamadas agentes debe ser simulable, determinista y observable antes del envío. CopilotKit Enterprise Intelligence, la capa de persistencia, aborda la memoria de tiempo de ejecución: los agentes necesitan transportar el contexto entre sesiones y dispositivos sin que los equipos de ingeniería construyan esa infraestructura desde cero.
Juntas, estas tres capas cubren los obstáculos a la producción que constantemente convierten prototipos de agentes prometedores en proyectos de ingeniería estancados. Las herramientas de CopilotKit reciben millones de instalaciones por semana, y una gran parte de las empresas Fortune 500 están utilizando el protocolo y las herramientas de CopilotKit en producción.
CopilotKit se diferencia como una alternativa horizontal y neutral respecto al proveedor que funciona con cualquier marco de agente, proveedor de nube o backend que una empresa ya utilice, compitiendo con AI SDK de Vercel, Assistant-ui y Apps SDK de OpenAI. La estrategia es poseer la capa de la aplicación (el límite de interacción, la capa de prueba y la capa de conocimiento) sin obligar a los equipos a reconstruir el resto de su pila en torno a un tiempo de ejecución propietario.
Explicador visual de Marktechpost
Conclusiones clave
AG-UI completa la pila de protocolos agentes manejando la capa de interacción agente-UI que MCP y A2A dejan sin abordar, con SDK propios en LangGraph, CrewAI, Mastra, Agno y Pydantic AI, y SDK comunitarios ahora disponibles para Go, Kotlin, Dart, Java, Rust, Ruby y C++. AIMock envía un servidor simulado de dependencia cero para toda la cadena de llamadas agentes (11 proveedores LLM, MCP, A2A, bases de datos vectoriales, búsqueda) con grabación y reproducción, detección de deriva diaria y pruebas de caos integradas. Pathfinder es un servidor de conocimientos MCP autohospedado que indexa documentos, códigos, páginas de Notion, Slack y Discord en una búsqueda híbrida de vectores y palabras clave, con incrustaciones conectables que no necesitan clave API externa. Las tres herramientas juntas apuntan a los tres obstáculos de la producción (recuperación de conocimientos, confiabilidad de las pruebas y persistencia del tiempo de ejecución) que los agentes de calidad de demostración constantemente no logran abordar. El diseño de CopilotKit, independiente del proveedor y autohospedable, significa que los equipos pueden adoptar cualquier capa única sin verse atrapados en un tiempo de ejecución propietario ni verse obligados a reconstruir su pila existente.
Nota: Gracias al equipo de Copilokit por apoyarnos en este artículo. Este artículo está patrocinado por Copilotkit.