---
title: "Diez acciones a través del arnés"
url: "https://www.mikefluff.com/es/experiments/js-ch18-harness"
locale: "es"
author: "Mikhail Savchenko (Mike Fluff)"
updated: "2026-11-18"
description: "La inyección de prompts y el arnés del agente"
book: "https://www.mikefluff.com/es/books/from-closures-to-autonomous-systems"
alternates:
  - locale: "en"
    url: "https://www.mikefluff.com/en/experiments/js-ch18-harness"
    markdown: "https://www.mikefluff.com/en/experiments/js-ch18-harness.md"
  - locale: "ru"
    url: "https://www.mikefluff.com/ru/experiments/js-ch18-harness"
    markdown: "https://www.mikefluff.com/ru/experiments/js-ch18-harness.md"
  - locale: "pt"
    url: "https://www.mikefluff.com/pt/experiments/js-ch18-harness"
    markdown: "https://www.mikefluff.com/pt/experiments/js-ch18-harness.md"
  - locale: "es"
    url: "https://www.mikefluff.com/es/experiments/js-ch18-harness"
    markdown: "https://www.mikefluff.com/es/experiments/js-ch18-harness.md"
---

# Diez acciones a través del arnés

*La inyección de prompts y el arnés del agente*

## ¿Qué es la inyección de prompts?

La inyección de prompts (prompt injection) es un ataque a un sistema construido alrededor de un modelo de lenguaje: el texto que el modelo lee como datos, sea un correo, una página o un archivo, contiene instrucciones, y el modelo las sigue. Simon Willison le puso nombre en septiembre de 2022, por analogía con la inyección SQL. La causa es que el modelo no tiene un canal aparte para las órdenes; todo lo que lee es texto. No se ha encontrado una forma fiable de enseñarle a distinguir datos de órdenes, así que la defensa está en el código que lo rodea: permisos estrechos para cada herramienta y saber de dónde vienen los datos antes de dejarlos salir.

Un agente ejecuta un programa que se escribe mientras corre. El modelo decide la siguiente llamada a una herramienta, y esa llamada puede venir rota, salirse de su directorio o cumplir una orden que encontró en un correo que acaba de leer. El código alrededor del modelo que revisa cada llamada antes de ejecutarla se llama arnés, en inglés harness.

El experimento toma las diez acciones del libro, una lista fija de lo que proponen los modelos reales, y las pasa por el arnés una a una. Hay cuatro capas que se pueden activar y desactivar: análisis, esquema, permisos al estilo de las banderas de Deno y etiquetas de procedencia inspiradas en CaMeL. Avanza acción por acción o ejecútalas todas; cada fila muestra qué capa detuvo la acción o que se ejecutó, y un panel muestra lo que salió de la máquina. Aquí no hay modelo y los archivos y la red son de juguete, pero el arnés es código real que corre en tu navegador, y los mensajes de error los da tu motor.

El libro lo ejecutó en Node 24.16.0. El arnés ingenuo, que solo analiza y ejecuta, ejecuta siete acciones, se cae dos veces y envía la contraseña de .env a evil.example y la clave del cliente a api.example.com. Con las cuatro capas se ejecutan cuatro, el análisis detiene una, el esquema dos, los permisos dos y la procedencia una, y no sale nada.

El capítulo gira alrededor de la novena acción. El archivo secreto está dentro del directorio concedido, así que leerlo está permitido, y api.example.com es una dirección permitida, así que los permisos no tienen nada que detener. Solo un arnés que recuerda de dónde vienen los datos puede negarse a enviarlos. De eso trata el capítulo 18: qué se le da al agente se decide antes, porque después del arranque decide el modelo.

_La página tiene un experimento interactivo que funciona en el navegador: https://www.mikefluff.com/es/experiments/js-ch18-harness_

## Fuentes

- [Simon Willison, Prompt injection attacks against GPT-3 (2022)](https://simonwillison.net/2022/Sep/12/prompt-injection/)
- [Simon Willison, The lethal trifecta for AI agents (2025)](https://simonwillison.net/2025/Jun/16/the-lethal-trifecta/)
- [Debenedetti et al., Defeating Prompt Injections by Design (CaMeL, 2025)](https://arxiv.org/abs/2503.18813)

## Del libro

A su lado en el libro:

> … Such a thing can be stopped only if the harness remembers where data came from. In 2025 researchers from Google and ETH Zurich described a system called CaMeL, where every value carries a mark of its origin, and before every tool call it is checked whether such data is allowed to flow there. In the experiment this is done in a simplified way: the model refers to the results of previous steps, the harness substitutes them itself and knows that the contents of secrets.txt are marked as secret. The secret file can be read, but its contents cannot be sent to the network, even to an allowed address.

- Leer el capítulo: [Chapter 18. A Runtime for a Nondeterministic Executor](https://www.mikefluff.com/en/read/from-closures-to-autonomous-systems/ch18) (inicio libre, el resto en el libro completo; Markdown: https://www.mikefluff.com/en/read/from-closures-to-autonomous-systems/ch18.md)

- Libro: [JavaScript: From Closures to Autonomous Systems](https://www.mikefluff.com/es/books/from-closures-to-autonomous-systems)
