El YAML está muerto. Tus pipelines ahora tienen que pensar. YAML is Dead. Your Pipelines Need to Think Now.

Los agentes ya llegaron al terminalAgents Have Already Arrived at the Terminal

La IA ha transformado literalmente todas las áreas de la tecnología, y los DevOps no son la excepción. Hoy en día, los LLMs son capaces de interactuar de forma más eficiente que nunca dentro de una terminal. Los comandos son texto, y cuando le otorgas a un modelo la capacidad de ejecutar esos comandos, le das capacidades agénticas: ya no es un bot que solo chatea, sino un agente que ejecuta tareas reales. AI has literally transformed every area of technology, and DevOps is no exception. Today, LLMs can interact more efficiently than ever inside a terminal. Commands are text, and when you give a model the ability to execute those commands, you give it agentic capabilities: it's no longer a bot that just chats — it's an agent that executes real tasks.

La historia de la fiestaThe Party Story

Antes de presentar mi idea, déjenme contarles cómo lo uso en mi día a día. Before presenting my idea, let me tell you how I use this in my daily workflow.

Tengo una infraestructura bastante compleja en AWS, entre proyectos profesionales y personales. Un día tuve que lanzar un servicio en AWS con certificados de seguridad... mientras estaba en una fiesta. I have a fairly complex infrastructure on AWS, between professional and personal projects. One day I had to launch a service on AWS with security certificates... while I was at a party.

Me instalé OpenClaw —una herramienta open-source que conecta un agente de IA con cualquier app de mensajería: Telegram, WhatsApp, Discord, y más. Le das acceso completo al CLI de tu servidor y puedes orquestar al agente desde el chat, como si le mandaras instrucciones a un colega. Funciona con cualquier modelo: Claude, GPT-4, DeepSeek, Gemini o modelos locales via Ollama. I installed OpenClaw — an open-source tool that connects an AI agent to any messaging app: Telegram, WhatsApp, Discord, and more. You give it full CLI access to your server and can orchestrate the agent from chat, like sending instructions to a colleague. It works with any model: Claude, GPT-4, DeepSeek, Gemini, or local models via Ollama.

El mensaje que le mandé al agente desde Telegram fue simplemente: The message I sent to the agent from Telegram was simply:

deploy producción

Eso es todo. No tuve que explicar nada más porque el MD ya tenía todo el plan: los accesos, los pasos, los workarounds conocidos, las reglas de negocio. El agente lo leyó y ejecutó todo solo. Cuando algo falló, lo diagnosticó y lo corrigió sin preguntarme nada. That's it. I didn't have to explain anything else because the MD already had the full plan: the credentials, the steps, the known workarounds, the business rules. The agent read it and executed everything on its own. When something failed, it diagnosed and fixed it without asking me anything.

El problema con los pipelines tradicionalesThe Problem with Traditional Pipelines

Esta experiencia me hizo reflexionar sobre el mundo del DevOps. Los pipelines de CI/CD son la norma, pero no siempre son perfectos. This experience made me reflect on the DevOps world. CI/CD pipelines are the norm, but they're not always perfect.

Para que un pipeline funcione de forma confiable, necesitas un ambiente 100% controlado. Y aun así, cuando algo sale mal —ya sea por una condición inesperada o un error humano— el pipeline simplemente falla. Alguien tiene que estar monitoreando, diagnosticar el problema y corregirlo manualmente. For a pipeline to work reliably, you need a 100% controlled environment. And even then, when something goes wrong — whether from an unexpected condition or human error — the pipeline simply fails. Someone has to be monitoring, diagnose the problem, and fix it manually.

  git push ──▶ GitHub Actions ──▶ SSH + git pull ──▶ docker build
                                                           │
                                                     ¿Build OK?
                                                    NO /      \ SÍ
                                                      /        ▼
                                              ❌ FALLA    prisma migrate
                                           (espera humano)    │
                                                        ¿Migración OK?
                                                       NO /      \ SÍ
                                                         /        ▼
                                                 ❌ FALLA    health check
                                              (espera humano)    │
                                                           ¿API OK?
                                                          NO /   \ SÍ
                                                            /     ▼
                                                    ❌ FALLA  ✅ Deploy
                                                 (espera humano)
        

Los pipelines son, en esencia, una serie de instrucciones bien definidas. Pero si una falla por cualquier razón —dentro o fuera de sus reglas—, el proceso se detiene y espera a un humano. Pipelines are, in essence, a series of well-defined instructions. But if one fails for any reason — inside or outside its rules — the process stops and waits for a human.

Pipelines agénticos: la propuestaAgentic Pipelines: The Proposal

¿Y si en lugar de esperar a un humano, el agente mismo diagnosticara el error y lo corrigiera? What if instead of waiting for a human, the agent itself diagnosed the error and fixed it?

Un agente sabe exactamente por qué falló algo y cómo repararlo. No tiene por qué esperar. Es el mismo concepto de pipeline, pero con un agente por encima que puede controlar errores, corregirlos y garantizar que el despliegue pase —ya sea que el error lo haya causado un humano o incluso otro agente. An agent knows exactly why something failed and how to fix it. It doesn't need to wait. It's the same pipeline concept, but with an agent on top that can handle errors, fix them, and ensure the deployment succeeds — whether the error was caused by a human or even another agent.

  git push ──▶ GitHub Actions
                    │
                    ▼
          Agente lee deploy.pipeline.md
                    │
          ┌─────────▼──────────┐
          │   Paso 1: Backup   │◀─── Reintenta si falla
          └─────────┬──────────┘
                    │ ✓
          ┌─────────▼──────────┐
          │   Paso 2: git pull │◀─── Resuelve conflictos
          └─────────┬──────────┘
                    │ ✓
          ┌─────────▼──────────────────────────────┐
          │   Paso 3: docker build                 │◀─── Aplica workaround --allow
          └─────────┬──────────────────────────────┘
                    │ ✓
          ┌─────────▼──────────┐
          │   Paso 4: Migrate  │◀─── Reintenta x3 si falla conexión
          └─────────┬──────────┘
                    │ ✓
          ┌─────────▼──────────┐
          │  Paso 5: Verifica  │──── Si datos < antes: restaura backup
          │   conteos DB       │
          └─────────┬──────────┘
                    │ ✓
          ┌─────────▼──────────┐
          │ Paso 6: Health chk │◀─── Revisa logs, corrige y reinicia
          └─────────┬──────────┘
                    │ ✓
              ✅ Deploy exitoso
           (sin intervención humana)
        

La implementación: el pipeline como MarkdownThe Implementation: Pipeline as Markdown

¿Cómo se implementa esto? En lugar de definir el pipeline como código (YAML, scripts), lo definimos como un archivo Markdown con instrucciones en lenguaje natural: How is this implemented? Instead of defining the pipeline as code (YAML, scripts), we define it as a Markdown file with natural language instructions:

# deploy.production.pipeline.md

## Contexto y accesos
- Servidor: AWS EC2 en us-east-2 (Ohio)
- Conexión: ssh -i "truck.pem" ec2-user@ec2-3-145-149-229.us-east-2.compute.amazonaws.com
- Directorio del proyecto: /home/ec2-user/tenk

## Regla crítica
Los datos de producción NUNCA deben perderse. Si detectas que los conteos
de tablas disminuyeron respecto al inicio, detén todo y restaura el backup.

## Paso 1 — Backup de la base de datos
  docker exec tenk-postgres pg_dump -U postgres tenk_prod > ~/backups/tenk_$(date +%Y%m%d_%H%M%S).sql

Verifica que el archivo generado NO sea de 0 bytes. Si lo es, no continúes.

## Paso 2 — Pull del código
  git pull origin main
Si hay conflictos de merge, resuélvelos manteniendo origin/main.

## Paso 3 — Build y reinicio de la API
⚠️ docker compose --build falla con "unknown flag: --allow". Usa este workaround:
  docker build --no-cache -t backend-tenk-api -f Dockerfile .
  docker compose -f docker-compose.prod.yml up -d --force-recreate tenk-api

## Paso 4 — Migraciones
  docker exec tenk-api bunx prisma migrate deploy
Si falla por conexión rechazada, espera 10s y reintenta hasta 3 veces.

## Paso 5 — Verificar que NO se perdieron datos
Compara conteos de users, skills, sessions con los del Paso 1.
Si alguno bajó, restaura el backup inmediatamente.

## Paso 6 — Health check
  curl -s http://localhost:4000/health
Si responde con status distinto a 200, revisa los logs e identifica la causa.

Este archivo contiene no solo los comandos, sino también el contexto, las reglas de negocio y los workarounds conocidos. El agente lo interpreta y actúa con criterio en cada paso. This file contains not just commands, but also the context, business rules, and known workarounds. The agent interprets it and acts with judgment at each step.

¿Cómo se conecta el agente con GitHub Actions?How Do You Connect the Agent to GitHub Actions?

La respuesta es más simple de lo que parece. En lugar de 20 steps frágiles en YAML, tienes un solo step que le pasa el MD al agente: The answer is simpler than it seems. Instead of 20 fragile YAML steps, you have a single step that passes the MD to the agent:

# .github/workflows/deploy-agentic.yml
name: Agentic Deploy to Production

on:
  push:
    branches: [main]

jobs:
  deploy:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4

      - name: Install Claude Code
        run: npm install -g @anthropic-ai/claude-code

      - name: Run agentic deployment
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
        run: |
          claude --print \
            --allowedTools "Bash" \
            "Eres un agente DevOps. Ejecuta el siguiente pipeline de despliegue
             paso a paso, resolviendo cualquier error que encuentres en el camino.
             Pipeline: $(cat .github/pipelines/deploy.production.pipeline.md)"

Pipeline YAML vs. Pipeline agénticoYAML Pipeline vs. Agentic Pipeline

Límites y riesgos: cuándo NO usar estoLimits and Risks: When NOT to Use This

Ser honesto sobre las limitaciones es parte de proponer una idea seria.Being honest about limitations is part of proposing a serious idea.

Cuándo NO usarlo:When NOT to use it:

• Deploys que requieren aprobación regulatoria o de compliance formalDeploys requiring regulatory or formal compliance approval
• Ambientes donde el acceso al CLI no está auditado o restringidoEnvironments where CLI access is not audited or restricted
• Equipos que aún no tienen confianza en el comportamiento del agente — primero prueba en stagingTeams that don't yet trust the agent's behavior — test in staging first

Por dónde empezarWhere to Start

claude --print --allowedTools "Bash" \
  "Ejecuta este pipeline: $(cat deploy.staging.pipeline.md)"