IBM CUGA alcanza #1 en benchmarks con una API de 4 argumentos

IBM Research publicó cuga-apps el 23 de junio de 2026: 24 aplicaciones FastAPI de archivo único, cada una envolviendo un CugaAgent. Los casos de uso van desde un recomendador de películas hasta un asesor de arquitectura IBM Cloud. Cada archivo fue diseñado para ser leído y forkeado. El framework subyacente —CUGA (Configurable Generalist Agent, `pip install cuga`)— mantuvo #1 en AppWorld (750 tareas del mundo real en 457 APIs) de julio de 2025 a febrero de 2026, y encabezó WebArena de febrero a septiembre de 2025.

Un CugaAgent toma cuatro argumentos: una factory de modelo, una lista de herramientas, una cadena special_instructions y una ruta cuga_folder. Llama a `await agent.invoke(...)` y el harness maneja planeación, ciclo de ejecución, dispatch de herramientas, rastreo de estado entre pasos, y un pase de reflexión que captura llamadas de herramienta malas y replantea sin exponer el fallo. En una tarea de 20 pasos, la mayoría de las implementaciones de agente pierden el rastro de resultados intermedios y los re-derivan incorrectamente en el siguiente turno. CUGA mantiene estado a través de un administrador de variables en la capa de orquestración.

La vinculación de herramientas es uniforme en todas las fuentes. Las specs OpenAPI, los servidores MCP y las funciones decoradas de LangChain se adjuntan de la misma manera. Cada cuga-app se divide: las capacidades genéricas (búsqueda web, operaciones de archivo) se cargan desde servidores MCP compartidos vía `load_tools(["web"])`; la lógica específica del dominio vive como Python inline en el mismo archivo. La aplicación asesor IBM Cloud define `search_ibm_catalog` como una función decorada con `@tool` que golpea la IBM Cloud Global Catalog API, luego mezcla herramientas web de un servidor MCP—dos líneas para conectar ambas.

CUGA expone tres modos de razonamiento—Fast, Balanced, Accurate—seleccionados desde configuración, no desde código. La misma definición de agente se ejecuta en los tres. La mayoría de los harnesses incrustan el tradeoff costo/desempeño en la implementación del agente; cambiarlo requiere reescritura. Aquí es una clave de configuración. Los sandboxes de código siguen el mismo patrón: local, Docker/Podman, o E2B cloud, intercambiados sin tocar la lógica del agente.

La galería cuga-apps alojada se ejecuta en gpt-oss-120b servido vía Groq, no una API frontier. Los modelos abiertos cuestan 80–90% menos que las alternativas cerradas según la estimación de IBM. La inferencia basada en LPU de Groq mantiene la latencia por paso lo suficientemente baja para que las tareas de 20 pasos no se compongan en tiempos de muro inutilizables. Llama-4-Maverick-17B-128E-Instruct-fp8 es el segundo modelo probado en el entorno alojado.

La gobernanza se configura, no se codifica. Los archivos de políticas son documentos Markdown en `.cuga/` bajo la carpeta del proyecto. CUGA los inyecta en las etapas distintas de la capa de orquestración—planeación de API, ejecución de código, reflexión, acortamiento de herramientas, descomposición de tareas—cada una expuesta como clave explícita en settings.toml. Cinco tipos de política están disponibles: Intent Guard, Playbook, Tool Approval, Tool Guide, Output Formatter. Habilita puertas human-in-the-loop vía `api_planner_hitl = true` en settings.toml. La misma definición de agente que se ejecuta en dev se ejecuta en producción gobernada—sin reescritura, sin rama.

La ruta multiagente utiliza el protocolo A2A. Un SDK Supervisor permite que un único coordinador dispatch trabajo a múltiples CugaAgents. Los workflows de Supervisor se definen en YAML. Agent Skills—workflows de dominio empaquetados como archivos SKILL.md con frontmatter—se descubren y se cargan bajo demanda vía llamada de herramienta `load_skill`, manteniendo el prompt del agente base delgado. La integración Langflow agrega una capa de UI drag-and-drop para cableado visual de agentes.

Haz fork de una de las 24 aplicaciones, intercambia la lista de herramientas y el prompt del sistema por los tuyos, y tienes un agente en ruta de producción con reflexión, hooks de gobernanza y portabilidad de proveedor ya conectados.