Guía Práctica de LLMs en InfoSec: Orquestación Multi-Agente con Claude, GPT, Gemini y Qwen usando herdr, crush, agy y pi

El mayor error que cometen los equipos de ingeniería de seguridad al adoptar Grandes Modelos de Lenguaje (LLMs) es tratar un único modelo y una sola ventana de chat como una navaja suiza universal. Pedirle a un mismo modelo generalista que diseñe simultáneamente un parche en una base de código de 200.000 líneas, realice una revisión de seguridad adversarial imparcial de su propio código, valide la explotabilidad con cargas útiles (payloads) reales y redacte manuales operativos bilingües garantiza contaminación de contexto, sesgo de confirmación y riesgos graves de soberanía de datos.

La ingeniería de seguridad moderna requiere especialización de modelos por rol combinada con arneses multi-agente nativos de terminal. Del mismo modo que un equipo purple team separa a los desarrolladores, revisores de código adversariales, investigadores de vulnerabilidades y redactores técnicos, un flujo de trabajo de InfoSec potenciado por IA asigna distintas familias de modelos a las tareas cognitivas específicas donde sobresalen—y los conecta mediante un tejido de orquestación en terminal para que los agentes colaboren directamente entre sí.

En esta guía detallamos nuestra arquitectura multi-agente de producción para InfoSec: asignando a Claude (mediante Claude Code) la programación por repositorio, a OpenAI GPT (mediante el arnés Crush) la revisión de código adversarial y las pruebas, a Gemini (mediante el arnés AGY / Antigravity CLI) la documentación arquitectónica, y a modelos locales Qwen (mediante el arnés Pi) la validación de vulnerabilidades e investigación—todo ello orquestado dentro de Herdr, donde los agentes se comunican directamente entre sí a través de paneles y repositorios.

1. La Matriz de Especialización de Cuatro Modelos en InfoSec

Cada familia de modelos presenta sesgos inductivos distintos en la forma en que navega por el código, razona sobre máquinas de estados, sintetiza contextos extensos y sigue contratos de ejecución de herramientas. En lugar de forzar a un solo modelo a hacerlo todo, dividimos la ingeniería de seguridad en cuatro carriles especializados:

Por Qué Importa la Separación de Funciones en Agentes de IA

Cuando a la misma sesión de LLM que acaba de escribir un parche de seguridad se le pregunta si existe alguna vulnerabilidad en su propio diff, sufre un severo anclaje autorregresivo: está condicionada por su propia cadena de pensamiento para justificar las decisiones de diseño que acaba de tomar. Al entregar ese cambio a una familia de modelos completamente distinta (OpenAI GPT ejecutándose en Crush), validar la explotabilidad real con un tercer modelo independiente (Qwen local ejecutándose en Pi) y sintetizar la documentación con un cuarto (Gemini ejecutándose en AGY), se impone una verdadera separación cognitiva y operativa de funciones.

2. Análisis en Profundidad: Los Roles de Cada Modelo

Claude para Programación: Un Agente Dedicado por Repositorio

La ingeniería de seguridad rara vez ocurre en un único monolito. Una plataforma defensiva típica abarca un motor WAF/IPS en línea, un colector de telemetría, un compilador de reglas y arneses de validación purple-team. Asignamos un agente Claude Code dedicado por cada repositorio de código.

• Navegación Quirúrgica y Uso de Herramientas: Claude destaca en la exploración iterativa del sistema de archivos: rastreando grafos de llamadas entre cabeceras, comprendiendo ciclos de vida de punteros o primitivas de concurrencia asíncrona, y realizando ediciones mínimas e idiomáticas sin romper la lógica circundante.
• Contexto Persistente del Repositorio: Como cada repositorio cuenta con su propia instancia de Claude viviendo en un espacio de trabajo o pestaña dedicada de Herdr, ese agente nunca pierde de vista el sistema de compilación, las fronteras FFI ni las invariantes de dominio de ese proyecto.
• Implementación Defensiva: Ya sea implementando guardas estrictas de deserialización, endureciendo límites de búferes JNI o construyendo consumidores de ring-buffers en eBPF, el agente Claude del repositorio es dueño del ciclo de implementación desde la creación de la rama hasta la compilación local.

OpenAI GPT (vía Crush) para Revisión de Código y Pruebas

Una vez que un agente Claude termina de programar una funcionalidad o un parche de seguridad, no aprueba su propio trabajo. En su lugar, la revisión y la verificación de pruebas quedan a cargo de uno o dos agentes OpenAI GPT ejecutándose dentro del arnés Crush.

• Por Qué GPT para Revisión: Los modelos GPT ajustados para razonamiento de OpenAI son excepcionalmente sólidos en la verificación formal de restricciones, detección de condiciones límite (off-by-one), identificación de rutas de retorno de error no gestionadas y razonamiento adversarial sobre transiciones de estado.
• Topología de Revisión en Dos Niveles: En ciclos de alta velocidad, mantenemos un agente GPT en crush enfocado en la Revisión Adversarial de Diffs (buscando evasiones, condiciones de carrera y fallos lógicos en cambios no confirmados) y un segundo agente GPT en crush dedicado a la Ingeniería de Pruebas (generando pruebas basadas en propiedades, casos límite negativos y suites de regresión para CI).

Gemini (vía AGY / Antigravity CLI) para Documentación y Síntesis Arquitectónica

Las herramientas y parches de seguridad son tan efectivos como los manuales operativos, modelos de amenazas y avisos que los acompañan. Gemini—ejecutándose dentro del arnés Antigravity CLI (agy)—actúa como nuestro sintetizador arquitectónico y motor de documentación.

• Síntesis de Contexto Masivo en AGY: Impulsado por la amplia ventana de contexto de Gemini y las capacidades nativas de Antigravity CLI para gestionar múltiples espacios de trabajo, delegar subagentes y generar artefactos estructurados, el agente agy puede ingerir árboles de repositorios completos, especificaciones RFC, notas de causa raíz de CVEs y registros crudos de rendimiento en una sola pasada, destilándolos en planos arquitectónicos claros y diagramas de estado en Mermaid.
• Runbooks Operativos y Avisos de Seguridad: Cuando publicamos un nuevo arnés de detección o un análisis profundo de vulnerabilidad, Gemini en agy transforma los cambios de ingeniería y las notas de explotación en documentación estructurada, guías de despliegue e informes técnicos bilingües.

Qwen (vía Pi) para Validación de Vulnerabilidades e Investigación

La investigación de vulnerabilidades y la validación de exploits presentan dos desafíos únicos con los que las APIs en la nube suelen tropezar: bloqueos por filtros de seguridad ante tareas legítimas de purple team y estricta seguridad operativa (OPSEC) en torno a telemetría de día cero y esquemas internos.

Para este rol ejecutamos Qwen (como pesos cuantizados qwen3.8-flash-next alojados en GPUs locales AMD Radeon RX 7900 XTX o en un clúster interno de inferencia Strata) dentro del arnés Pi (pi):

• Cero Fuga de Telemetría: Los volcados de memoria (crash dumps), capturas PCAP internas, conjuntos de reglas WAF propietarios y PoCs de vulnerabilidades sin parche nunca abandonan la red local (192.168.2.0/24).
• Validación Real de Explotabilidad: Los escáneres estáticos y los LLMs suelen reportar vulnerabilidades teóricas que en la práctica no son alcanzables. Un agente pi impulsado por Qwen tiene la misión de probar la alcanzabilidad real—construyendo tramas HTTP/2 concretas, payloads serializados o arneses de fuzzing contra un laboratorio de contenedores aislado para confirmar si un fallo es genuinamente explotable antes de que el equipo invierta horas en parchearlo.

3. La Capa de Arneses: Crush, AGY, Pi y Herdr

Un modelo es tan capaz como el arnés que lo conecta con tu shell, tu sistema de archivos y los agentes vecinos. Así se integran nuestros arneses principales de terminal.

Crush (crush): El Arnés Nativo de Terminal para OpenAI GPT

Crush (crush), desarrollado por Charmbracelet, es un asistente de IA rápido y centrado en la terminal, diseñado tanto para sesiones interactivas TUI como para automatización mediante tuberías UNIX (crush run). En nuestra arquitectura, Crush es el arnés dedicado que ejecuta nuestros agentes OpenAI GPT.

Configurado en ~/.local/share/crush/crush.json con los modelos de razonamiento de OpenAI y una ventana de contexto de más de 128k tokens, crush otorga a nuestros revisores GPT acceso directo y estructurado al repositorio:

{
  "providers": {
    "openai": {
      "api_key": "env:OPENAI_API_KEY"
    }
  },
  "models": {
    "large": {
      "model": "gpt-5.6-terra",
      "provider": "openai",
      "reasoning_effort": "medium",
      "max_tokens": 128000
    }
  }
}

Dado que Crush soporta tanto sesiones interactivas persistentes como ejecución no interactiva por lotes, un agente revisor puede mantenerse activo en un panel para auditorías iterativas o invocarse directamente sobre un git diff:

# Auditoría adversarial no interactiva de un diff mediante crush (OpenAI GPT)
git diff main...HEAD | crush run "Realiza una revisión de seguridad adversarial de este diff. Enfócate en desbordamientos de enteros, ciclos de vida de búferes y desincronización de estado del parser."

AGY (agy / Antigravity CLI): El Arnés de Documentación y Síntesis para Gemini

Antigravity CLI (agy, documentado en antigravity.google/docs/cli/reference) es nuestro arnés agéntico de terminal para Google Gemini, diseñado para investigación profunda de espacios de trabajo, síntesis de documentación multi-archivo, generación de artefactos estructurados y ejecución de skills especializados. Además, Herdr cuenta con soporte nativo del ciclo de vida de agy (mediante --kind agy y hooks de estado integrados en ~/.gemini/config/hooks/herdr-agent-state.sh), lo que permite que los agentes Gemini de documentación en AGY participen como ciudadanos de primera clase junto a Claude, Crush y Pi.

Pi (pi): El Arnés Extensible de Investigación de Seguridad para Qwen

Pi (pi, también en pi.dev) es un agente ligero y programable para desarrollo e investigación, equipado con herramientas nativas read, bash, edit y write, listas blancas y negras granulares de herramientas (--tools y --exclude-tools) y enrutamiento nativo hacia endpoints locales compatibles con OpenAI.

Emparejamos Pi con nuestros servidores de inferencia Qwen autoalojados en ~/.pi/agent/models.json:

{
  "$schema": "https://pi.dev/schemas/models.schema.json",
  "providers": {
    "local-gpu": {
      "baseUrl": "http://192.168.2.2:8081/v1",
      "api": "openai-completions",
      "models": [
        {
          "id": "qwen3.8-flash-next-iq3_xxs",
          "name": "Local Qwen3.8-Flash-Next (RX 7900 XTX)",
          "input": ["text"],
          "contextWindow": 131072
        }
      ]
    },
    "strata-cluster": {
      "baseUrl": "http://192.168.2.254/v1",
      "api": "openai-completions",
      "models": [
        {
          "id": "qwen3.8-flash-next-iq3_xxs",
          "name": "Strata Cluster Qwen3.8-Flash-Next",
          "input": ["text"],
          "contextWindow": 65536
        }
      ]
    }
  }
}

Al validar una vulnerabilidad o probar una evasión de reglas WAF, pi nos permite restringir qué herramientas puede ejecutar el agente (por ejemplo, habilitando bash y read dentro de un directorio de laboratorio aislado mientras bloqueamos modificaciones al código de producción) y ajustar la profundidad de razonamiento al vuelo con --thinking high.

4. Orquestación Multi-Agente: Cómo Herdr Permite que los Agentes Hablen Entre Sí

Contar con agentes especializados es útil; lograr que hablen entre sí de forma autónoma sin que un humano tenga que copiar y pegar salidas de terminal entre ventanas es transformador. Ese es el papel de Herdr (herdr).

Herdr es un multiplexor de espacios de trabajo en terminal y servidor de orquestación consciente de agentes. A diferencia de los multiplexores tradicionales (como tmux o zellij) que solo ven flujos de bytes sin estructura, herdr comprende de forma nativa el ciclo de vida de los agentes de IA. Rastrea agentes con nombre a través de espacios de trabajo, pestañas y paneles, y expone sus estados en tiempo real—idle (inactivo), working (trabajando), blocked (esperando aprobación en un diálogo) y done (completado)—a través de una API sobre socket UNIX local y su CLI.

La Topología de Seguridad Multi-Agente en Herdr

En una sesión estándar de ingeniería de ColibriSec dentro de Herdr, levantamos una topología coordinada de múltiples agentes:

1. Agentes Claude de Programación por Repositorio (claude-centinela, claude-ojo): Cada repositorio tiene su propio agente Claude Code dedicado ejecutándose en un espacio de trabajo o panel anclado a ese repositorio.
2. Agentes GPT de Revisión y Pruebas en Espera vía Crush (gpt-reviewer, gpt-tester): Uno o dos paneles con Crush impulsados por OpenAI GPT permanecen listos en paneles adyacentes para auditar diffs, escribir pruebas unitarias y verificar casos límite bajo demanda.
3. Agente de Validación e Investigación de Vulnerabilidades vía Pi (pi-vulnlab): Un agente Pi ejecutando Qwen local permanece conectado a nuestro entorno de pruebas purple-team, listo para lanzar payloads de explotación y verificar si una vulnerabilidad es reproducible o si un parche recién escrito realmente bloquea el vector de ataque.
4. Agente de Documentación y Arquitectura vía AGY (agy-docs): Una instancia de AGY (Antigravity CLI) ejecutando Gemini sintetiza los cambios de código resultantes, contratos de prueba y telemetría de validación en documentación arquitectónica, manuales operativos y avisos de seguridad.

Comunicación Entre Agentes (Peer-to-Peer) Mediante la CLI de Herdr

Debido a que cada panel gestionado por Herdr hereda las variables de entorno del socket de sesión (HERDR_ENV=1, HERDR_WORKSPACE_ID y HERDR_PANE_ID), cualquier agente con acceso a herramientas bash puede descubrir, enviar prompts, esperar y leer la salida de cualquier otro agente en la sesión.

A continuación mostramos un recorrido práctico de cómo nuestro agente Claude de repositorio orquesta el ciclo completo de un parche de seguridad comunicándose directamente con los agentes Crush (GPT), Pi (Qwen) y AGY (Gemini) mediante herdr:

Paso 1: Descubrimiento de Agentes Vecinos en Vivo

Primero, el agente Claude que trabaja en el repositorio principal consulta la lista de agentes activos en Herdr:

# Verificar que estamos dentro de un panel gestionado por Herdr y listar agentes activos
test "${HERDR_ENV:-}" = 1 && herdr agent list

Si los agentes de pruebas, investigación o documentación aún no están activos, el propio agente Claude puede dividir dinámicamente paneles en segundo plano (preservando el foco del usuario con --no-focus) e iniciar al instante un agente pi de validación o un agente agy de documentación:

# Dividir un nuevo panel a la derecha sin robar el foco del cursor del usuario
NEW_PANE=$(herdr pane split --current --direction right --cwd "$PWD" --no-focus | jq -r '.result.pane.pane_id')

# Iniciar el agente pi de investigación de vulnerabilidades (con Qwen local) en el nuevo panel
herdr agent start pi-vulnlab --kind pi --pane "$NEW_PANE" -- --provider local-gpu --model qwen3.8-flash-next-iq3_xxs

# Dividir otro panel para la documentación con Gemini mediante agy (Antigravity CLI)
DOCS_PANE=$(herdr pane split --current --direction down --cwd "$PWD" --no-focus | jq -r '.result.pane.pane_id')
herdr agent start agy-docs --kind agy --pane "$DOCS_PANE"

Paso 2: Claude Pide al Agente Pi (Qwen) Validar la Vulnerabilidad

Antes de escribir una corrección—o justo después de preparar una mitigación candidata—el agente Claude del repositorio envía un mensaje directo a pi-vulnlab para ejecutar una prueba de validación de exploit contra el contenedor objetivo local:

# Claude envía un prompt al agente pi (Qwen) y espera de forma síncrona hasta que pi termine
herdr agent prompt pi-vulnlab \
  "Valida si el desbordamiento en el tráiler Brotli fragmentado en la rama fix/brotli-bounds sigue siendo alcanzable usando el arnés poc_mutator.py. Reporta los desplazamientos exactos de fallo o códigos HTTP." \
  --wait --timeout 120000

# Una vez que pi-vulnlab pasa de 'working' a 'done'/'idle', Claude lee sus hallazgos
herdr agent read pi-vulnlab --source recent-unwrapped --lines 120

Observa lo que ocurre aquí: herdr agent prompt ... --wait gestiona el modo bracketed paste, envía la instrucción a la terminal de pi-vulnlab, verifica que el agente pase al estado working y espera hasta que Qwen termine de ejecutar el arnés de explotación y vuelva al estado idle o done. Acto seguido, Claude lee la transcripción completa directamente mediante herdr agent read.

Paso 3: Claude Solicita Revisión Adversarial y Suite de Pruebas a GPT (Crush)

Una vez implementado el parche, el agente Claude del repositorio no fusiona el código a ciegas. Delega la revisión adversarial de código y la verificación de pruebas a los agentes OpenAI GPT que corren en Crush:

# Enviar la tarea de revisión al panel de GPT que ejecuta Crush
herdr pane run "$CRUSH_REVIEW_PANE" \
  "crush run 'Audita el git diff preparado en src/decompressor.rs buscando desbordamientos de enteros, indexación de slices sin comprobación y reinicios de estado. Devuelve únicamente hallazgos de seguridad accionables.'"

# Esperar a que Crush (GPT) emita su veredicto de revisión y leer el resultado
herdr pane wait-output "$CRUSH_REVIEW_PANE" --match "VERDICT:" --timeout 90000
herdr pane read "$CRUSH_REVIEW_PANE" --source recent-unwrapped --lines 100

Simultáneamente, un segundo agente GPT en Crush (gpt-tester) puede encargarse de generar pruebas de regresión sobre casos límite y ejecutar el runner de pruebas en paralelo. Si el revisor GPT detecta un caso borde—por ejemplo, un campo de estructura sin inicializar ante un error de lectura parcial—, Claude lee esa retroalimentación desde el panel, actualiza el parche en el repositorio y vuelve a disparar tanto al revisor GPT en Crush como al validador de exploits Qwen en Pi hasta que ambos aprueban el cambio.

Paso 4: Entrega a Gemini en AGY para la Documentación

Finalmente, cuando el código supera la revisión adversarial de GPT en Crush y la validación de explotación en vivo de Qwen en Pi, se invoca al agente de documentación Gemini que corre dentro de AGY (agy-docs) a través de Herdr para sintetizar el rango de commits finalizados y los registros de validación en documentación arquitectónica actualizada y avisos operativos:

# Enviar prompt al agente de documentación Gemini ejecutándose en agy (Antigravity CLI)
herdr agent prompt agy-docs \
  "Sintetiza el diff finalizado en fix/brotli-bounds y los resultados de validación de pi-vulnlab en docs/ARCHITECTURE.md y en un aviso de seguridad bilingüe." \
  --wait --timeout 120000

5. Plano Práctico: Cómo Montar tu Propia Malla Multi-Agente en InfoSec

Si deseas replicar este flujo de trabajo de seguridad multi-agente en tu propia estación de trabajo Linux o laboratorio remoto de seguridad, sigue estos cinco principios fundamentales:

1. Aísla la Propiedad por Repositorio (1 Repo = 1 Agente Claude): Evita saltar con un mismo agente de programación entre repositorios no relacionados. Mantén un agente Claude Code persistente anclado en el directorio raíz de cada repositorio (o worktree de Git mediante herdr worktree) para que su ventana de contexto permanezca totalmente enfocada en la arquitectura de ese componente.
2. Impón Revisión Adversarial Cruzada con Crush (GPT): Nunca permitas que un agente califique su propia tarea. Mantén una o dos instancias de Crush respaldadas por modelos OpenAI GPT en espera exclusivamente para revisión de código, modelado de amenazas sobre diffs y generación de suites de pruebas.
3. Mantén la Investigación de Exploits y el Triaje en Local con Pi + Qwen: Conecta Pi a endpoints locales o de clúster interno con Qwen para reproducción de vulnerabilidades, creación de payloads y análisis de fallos. Obtendrás utilidad purple-team sin bloqueos artificiales, coste cero por token en bucles intensivos de triaje y soberanía total sobre tus datos.
4. Automatiza la Síntesis de Arquitectura y Documentación con AGY + Gemini: Ejecuta Gemini dentro de AGY (Antigravity CLI) para que la documentación, los modelos de amenazas y los manuales operativos se actualicen de forma continua a partir de los diffs reales y los artefactos de validación.
5. Deja que Herdr Sea el Bus de Mensajes: En lugar de actuar como un enrutador humano copiando y pegando texto entre cuatro ventanas de terminal, ejecuta tus agentes dentro de Herdr. Enseña a tus agentes principales a usar herdr agent list, herdr agent prompt --wait y herdr agent read --source recent-unwrapped para que tus agentes Claude, Crush (GPT), Pi (Qwen) y AGY (Gemini) cierren el ciclo de forma autónoma.