Magentic-UI

Antes de tocar nada, Magentic-UI escribe un plan paso a paso para la tarea y te lo entrega. Puedes editar los pasos en el editor de planes, añadir o quitar alguno, o mandar comentarios en texto libre para orientar el enfoque. La ejecución no arranca hasta que apruebas, así que corriges una mala estrategia antes de que consuma tiempo. Un plan guardado también se puede recuperar en la siguiente tarea, de modo que no partes de cero.

Durante la ejecución, el agente narra lo que va a hacer y lo que acaba de ver, como el botón que está a punto de pulsar o lo que leyó en la página. En cualquier momento puedes pausar la tarea, escribir una corrección o coger el navegador y hacer tú el paso, y luego devolverle el control. Ahí está la diferencia frente a una herramienta de automatización que va sola: sigues dentro del bucle porque ves y reconduces cada acción mientras ocurre.

Las barreras de acción del agente detienen la ejecución para pedir tu aprobación antes de dar un paso difícil de deshacer, como enviar un pago o un correo. Tú decides cada cuánto aparecen esos puntos de control, desde cada acción arriesgada hasta un ajuste más laxo para tareas de confianza. Nada irreversible se ejecuta sin tu visto bueno, que es la idea de seguridad que sostiene todo el proyecto.

La sesión del navegador y el código que escribe el agente corren dentro de un entorno aislado de Docker, separado del resto de tu equipo. Esa separación importa porque el agente llega a sitios web en vivo, y un entorno aparte limita a qué puede acceder en tu sistema si algo va mal. También puedes restringir qué sitios tiene permitido visitar, para que se quede dentro de los límites que marcas.

Magentic-UI reparte el trabajo entre agentes especializados en vez de pedirle todo a un solo modelo. Un orquestador planifica y delega, un WebSurfer controla el navegador, un programador escribe y ejecuta scripts y un agente de archivos trata documentos y carpetas. Como está construido sobre AutoGen y habla Model Context Protocol, puedes sumar tus propias herramientas y agentes al equipo. El proyecto también se integra con los modelos y agentes de Azure AI Foundry.

El agente aprende de las ejecuciones que salieron bien. Puede guardar un plan terminado en una galería y recuperarlo después, ya sea de forma automática para una tarea similar o a mano desde la lista. En trabajos repetidos, como una extracción semanal de datos o un formulario habitual, esto recorta el tiempo de preparación y empuja al agente hacia un flujo que ya aprobaste. Reutilizar es la recompensa por haberlo guiado la primera vez.

Puedes lanzar varias sesiones de tarea a la vez, y un indicador te dice cuál necesita tu atención y cuál ha terminado. Como el agente depende de tu criterio en los puntos de control, llevarlas en paralelo te mantiene ocupado aprobando en lugar de esperar a que un solo agente avance. Convierte el modelo human-in-the-loop en algo parecido a supervisar a un equipo pequeño.