Llamada programática de herramientas: Droid 1.0 de Factory

Droid 1.0 deja que el modelo escriba un script que encadena cientos de llamadas a herramientas en una sola petición. Qué dice Factory, qué no he probado.

Un agente que escribe un programa en vez de llamar herramientas una a una

En un agente de código normal, el modelo pide una herramienta, recibe el resultado, pide otra y así durante cientos de turnos. Cada vuelta reenvía instrucciones, herramientas e historial. El 29 de octubre Factory publicó Droid 1.0, y su apuesta principal va en otra dirección: que el modelo escriba un programa que haga esas llamadas por él.

Lo llaman llamada programática de herramientas (programmatic tool calling, PTC). No lo he probado: todo lo que sigue sale de su artículo, y las cifras son de Factory.

Cómo funciona en Droid

Factory lo implementa como una herramienta que llama Script. El modelo escribe JavaScript que se ejecuta en un sandbox sin acceso propio a ficheros, red ni sistema, y ese programa puede hacer cientos de llamadas a herramientas en una sola petición al modelo. Las llamadas que no dependen entre sí corren en paralelo, la salida impresa tiene un tamaño máximo y los resultados completos se guardan en un registro donde el modelo puede buscarlos después.

Según Factory, hay tres ventajas:

  • Contexto más limpio. Los ficheros, resultados de búsqueda y logs se quedan dentro del programa como variables, y el modelo solo recibe lo que el programa imprime.
  • Menos peticiones. Un programa ejecuta muchas llamadas, así que las tareas complejas van más rápido y cuestan menos.
  • Más fiabilidad. Los bucles y las comprobaciones se ejecutan en código y no dependen de que el modelo no se deje un caso por el camino.

Los números, con su contexto

El ejemplo que más me ha gustado es una limpieza real de Linear de sus propias sesiones: mover 151 incidencias de una cola a otra y verificar que solo cambia el estado, 312 llamadas a herramientas en total. Con el programa fueron 2 peticiones al modelo y unos 61.000 tokens, una para escribirlo y otra para leer lo que imprimió. Con llamadas directas, Factory estima 36 peticiones y unos 3,1 millones de tokens de entrada.

Ojo con la palabra “estima”: las cifras de llamadas directas son un cálculo suyo, suponiendo 10 llamadas por petición, no una medición. Es uno de los dos ejemplos que publican, ambos de scripts largos de sus propias sesiones y elegidos por quien vende la herramienta.

Sobre el coste en general, Factory dice que el modo Script reduce el coste de Droid un 15% con Claude Opus 5.5 frente a las llamadas directas, y que el ahorro se concentra en el 12,5% de los scripts que hacen seis o más llamadas. Es decir, en tareas pequeñas el efecto es modesto.

También publican resultados en Terminal-Bench 4. Con GPT-6.1 Sol, Droid queda 3,5 puntos por encima de Codex con un 12% menos de coste. Con Claude Opus 5.5, queda entre 3,0 y 7,6 puntos por encima de Cursor, OpenCode, Devin y Claude Code, con hasta un 24% menos de coste. Las condiciones, según su metodología: razonamiento alto, tres intentos por tarea, ejecutado del 23 al 28 de octubre de 2026, y en cada comparación solo cuentan las tareas que ambos arneses superan en los tres intentos. Son sus pruebas y no he podido repetirlas, así que lo leo como una señal y no como un ranking.

Lo que me quedo

Esto es lectura mía, no de Factory:

  • El arnés cuenta tanto como el modelo. Ya lo comenté con el harness de agentes de IA y con el de Copilot en Foundry: el comportamiento de un agente depende de lo que rodea al modelo, y aquí ese cambio es de los grandes.
  • El programa es el plan. Que el modelo escriba de antemano toda la secuencia, con sus comprobaciones y sus condiciones de parada, se parece mucho a la idea de Spec-Driven Development de dejar por escrito qué se va a hacer antes de hacerlo. Lo que no sé es cuánto de ese plan puede revisar una persona antes de que se ejecute.
  • Cada herramienta tiene su ajuste. Un detalle que me ha gustado de su artículo: numerar las líneas de cada fichero leído redujo un 22% el coste de Opus en una tarea, pero lo subió un 8% en GLM y un 32% en Kimi. Lo que ayuda a un modelo estorba a otro.

Lo que preguntaría antes de adoptarlo

  1. Cuántos puntos de control quedan. Si un programa hace cientos de llamadas en una petición, hay menos momentos para pedir permiso o frenar. Conviene mirar cómo encaja con los permisos de los agentes en producción y con la monitorización de agentes.
  2. Cómo se revisa lo que pasó. Factory dice que guarda los resultados completos en un registro. Me interesa saber qué ve una persona de lo que hizo el script.
  3. Qué pasa en tareas pequeñas. El ahorro que cuentan está en los scripts largos; en el trabajo diario puede notarse menos.
  4. Cuánto es la herramienta y cuánto el modelo. Con otro modelo o con tus tareas, las cifras podrían ser distintas.

Mi lectura

La idea de fondo, que el agente razone una vez, escriba el programa y deje que el código haga lo repetitivo, me parece sensata, y no depende de Factory. Pero la verificación sigue siendo vuestra: una cifra de arnés propio no sustituye a probarlo con vuestras tareas.

Cierre

En onext ayudamos a empresas y equipos a adoptar agentes de IA, y elegir el arnés y los controles que lo rodean es una parte importante del trabajo. Si queréis revisarlo con vuestro equipo, escribidnos.

Fuentes

  1. Droid 1.0: Building a Frontier Harness | Factory (se abre en una pestaña nueva)

Etiquetas

Más artículos de Herramientas