Qué es el nuevo Open Interpreter y por qué imita otros harness

Si tu recuerdo de Open Interpreter es aquella herramienta de Python que soltabas en la terminal para que un LLM te ejecutara código en tu ordenador, prepárate para un pequeño susto.

Ya no es eso.

El proyecto ha hecho borrón y cuenta nueva. Ha tirado su base de código original, se ha reescrito en Rust y ha vuelto convertido en otra cosa: un fork de Codex de OpenAI pensado para sacar el máximo rendimiento a los modelos abiertos y baratos. GLM 5.2, DeepSeek, Kimi… esos que cuestan una fracción de lo que pagas por Claude u OpenAI.

Es uno de esos giros que solo se ven en el mundo de los agentes de código, donde un proyecto con 64.600 estrellas en GitHub decide reinventarse de arriba abajo en lugar de dormirse en los laureles.

Aquí tienes lo que vamos a ver:

• Qué es hoy Open Interpreter y en qué se diferencia del que conociste
• Por qué el equipo tiró el código Python y empezó de cero en Rust
• Qué es un harness y por qué se ha convertido en la pieza clave de todo el negocio
• Cómo instalarlo y arrancar tu primera sesión en dos comandos
• Cómo compararlo con Claude Code, Codex y OpenCode sin marearte

Vamos al lío.

Qué es ahora Open Interpreter ¶

Open Interpreter es un agente de código para tu terminal, escrito en Rust, optimizado para modelos abiertos de bajo coste. Conectas el modelo que quieras, edita ficheros, ejecuta comandos, revisa diffs y tú mantienes el control en cada paso.

Hasta aquí suena a lo de siempre: otro CLI agéntico más en un año que ya nos ha dado unos cuantos. Pero hay un detalle que lo separa del resto.

El README lo deja claro sin rodeos: se trata de un fork de OpenAI’s Codex cuyo foco es emular el harness que consigue el mejor rendimiento de los modelos baratos. Traducido: no intenta competir con Claude Code a base de tener el modelo más listo. Intenta que un modelo abierto y económico se comporte como si estuviera dentro del mejor entorno posible.

El código lo respalda: el 96,6% del repositorio es Rust. La versión Python que hizo famoso al proyecto ya no vive aquí.

🔑 La tesis de Open Interpreter es sencilla: si los modelos abiertos ya rozan a los de frontera, el valor deja de estar en el modelo y pasa al harness que lo envuelve. Y en un harness sí puedes competir.

Curso gratis · paso a paso

El harness exprime el modelo; el método, la tarea

Open Interpreter le pone a un modelo barato el mejor arnés. Pero lo que construye sigue dependiendo de que le des un método: en este curso recorres un ciclo completo de Spec Driven Development con OpenSpec sobre un proyecto real y en modo asistido, para que el agente deje de improvisar.

Entra en el curso gratis →

Por qué Open Interpreter reescribió su código en Rust ¶

Open Interpreter reescribió su código porque el problema que resolvía en 2023 dejó de ser el problema importante. Ejecutar código desde lenguaje natural se volvió trivial; orquestar un agente que planifique, use herramientas y se autocorrija sin arruinarte pasó a ser lo difícil. Construir sobre Codex, en Rust, resolvía esa nueva ecuación mejor que parchear el proyecto viejo.

Aquí viene la parte que despierta curiosidad. ¿Por qué un proyecto con esa tracción se carga su propio código?

El Open Interpreter clásico nació con una promesa preciosa: deja que los modelos de lenguaje ejecuten código en tu ordenador. Era la alternativa open source al Code Interpreter de OpenAI, pero sin las cadenas del sandbox cerrado: acceso a internet, sin límite de tamaño de fichero, cualquier librería instalada en tu máquina. Un juguete magnífico.

El problema es que el mundo cambió debajo de sus pies.

En 2023 la gracia estaba en poder ejecutar código desde lenguaje natural. En 2026 eso lo hace cualquiera. Lo difícil ahora es orquestar un agente que planifique, use herramientas, se autocorrija y no se arruine haciéndolo. El listón se movió de sitio.

Así que el equipo tomó una decisión valiente: en lugar de parchear el proyecto viejo, construir uno nuevo sobre los cimientos de Codex, que ya trae toda la maquinaria del agente moderno resuelta. El Python original no ha muerto: sigue vivo como fork mantenido por la comunidad en el repositorio de endolith. Pero la marca, la energía y las estrellas se han mudado a la versión Rust.

Piénsalo como cuando cambias de coche. El viejo funcionaba, te llevó a muchos sitios, le tienes cariño. Pero el nuevo arranca con calefacción de asientos y cámara de aparcamiento de serie. No vas a seguir conduciendo el de 2007 por nostalgia.

Qué es un harness y por qué importa tanto ¶

Un harness es el arnés que rodea al modelo: el bucle de conversación, cómo se le presentan las herramientas, cómo se formatean las peticiones, cómo se gestiona el contexto y cómo se interpretan sus respuestas. El modelo es el motor; el harness es el chasis, la dirección y los frenos.

Y resulta que el chasis pesa más de lo que pensábamos.

Los datos de los últimos meses son demoledores para la vieja idea de que “solo importa el modelo”. Databricks probó agentes contra su propio código de millones de líneas y encontró que GLM 5.2 igualaba a Opus 4.8 a 1,28 dólares por tarea frente a 1,94 (The Decoder). En la misma prueba, el harness de Databricks enviaba hasta tres veces menos contexto que Claude Code, lo que lo hacía 2,08 veces más barato con calidad equivalente.

Ese es el punto. Con el mismo modelo, un harness eficiente te ahorra dinero y a veces hasta mejora resultados. La eficiencia de tokens es como el consumo de un coche: dos motores idénticos gastan muy distinto según cómo los conduzcas.

Open Interpreter apuesta todo a esta carta con su función estrella: la emulación de harness. Desde la propia terminal cambias el arnés activo con un comando:

# Cambia el harness activo desde la TUI
> /harness

native
claude-code
claude-code-bare
zcode
kimi-cli
qwen-code
deepseek-tui
swe-agent
minimal

Lee esa lista despacio, porque es el corazón de la propuesta. Puedes decirle a Open Interpreter: “formatea tus peticiones como lo haría Claude Code”, o como Kimi CLI, o como Qwen Code, o como el TUI de DeepSeek. El modelo que tienes debajo es el que tú elijas, pero se comporta con el arnés que mejor lo exprime.

💡 Si solo te llevas una idea de este artículo: el harness ya no es un detalle de implementación, es una palanca de coste y de calidad. Elegir bien el arnés puede valer tanto como elegir bien el modelo.

¿Por qué tiene sentido esto justo ahora? Porque la brecha entre modelos abiertos y de frontera se ha desplomado de 15-20 puntos a un solo dígito en seis meses en los benchmarks de código. GLM-5 puntúa un 77,8% en SWE-bench Verified, a tres puntos de Claude Opus 4.5, con pesos bajo licencia MIT (Alex Lavaee). Cuando el modelo barato ya casi te da lo mismo, la pregunta pasa a ser: ¿quién lo envuelve mejor?

Cómo instalar Open Interpreter y arrancar ¶

Instalarlo es cuestión de un comando. En macOS y Linux:

# Instalación en macOS y Linux
curl -fsSL https://www.openinterpreter.com/install | sh

En Windows, desde PowerShell:

# Instalación en Windows
irm https://www.openinterpreter.com/install.ps1 | iex

Y a partir de ahí, escribes i o interpreter en tu terminal y ya tienes sesión abierta. Sí, el alias corto es i. Alguien en el equipo tiene sentido del humor y aprecia la economía de teclas.

Antes de lanzarte, dos comandos que vas a usar sin parar:

1. /model — cambia el proveedor y el modelo sin salir de la terminal. Hoy GLM 5.2, mañana Kimi, pasado DeepSeek, según lo que te pida el cuerpo o el presupuesto.
2. /harness — inspecciona o cambia el arnés nativo en Rust, la función que acabamos de ver.

La configuración y el estado de tus sesiones se guardan en local, bajo ~/.openinterpreter. Nada de nube obligatoria: tu contexto es tuyo y vive en tu disco.

🛡️ Un comando que descarga y ejecuta un script con sh merece un vistazo antes de lanzarlo. Es una práctica extendida y cómoda, pero si trabajas en un equipo con políticas estrictas, revisa el script o instala desde la release que prefieras. Confianza, sí; cheques en blanco, no.

Qué puede hacer Open Interpreter más allá de escribir código ¶

Open Interpreter no se queda en generar y ejecutar código. Trae de serie una lista de capacidades que lo acercan a los agentes más completos del mercado:

• Sandboxing nativo en macOS, Linux y Windows, para que los comandos se ejecuten con red de seguridad.
• Skill de QA integrada: cualquier modelo puede operar y probar interfaces. Maneja apps web en un navegador real con agent-browser y opera apps nativas con trycua.
• Protocolo ACP: funciona como agente del Agent Client Protocol para editores, arrancándolo con interpreter acp. Eso te lo enchufa a tu editor favorito.
• Extensibilidad estándar: soporta exec, MCP, skills, hooks, permisos y AGENTS.md.

Fíjate en la skill de QA, porque es más lista de lo que parece. No solo escribe la funcionalidad: la prueba en un navegador de verdad, mira el resultado y vuelve a intentarlo si algo falla. Ese bucle de “escribe, comprueba, corrige” es justo lo que separa un juguete de una herramienta que te ahorra horas.

Y el soporte de AGENTS.md, MCP y skills no es casualidad. Es el vocabulario que Claude Code puso de moda y que ahora comparte medio ecosistema. Open Interpreter habla ese idioma, así que lo que sabes de otros agentes te sirve aquí.

Del harness a construir el agente

Cómo se construye por dentro un agente como este

Si el harness te ha picado la curiosidad, aquí verás las seis capas de un agente serio —tools, guardarraíles, memoria, skills, MCP y orquestación— con código real, Mastra y Open Code, para que el tuyo no se descontrole en producción.

Ver la arquitectura entera →

Masterclass Web Reactiva Premium · 6 niveles de arquitectura en directo

Cómo controlar la seguridad y los permisos ¶

Sí, puedes dejar que Open Interpreter trabaje en tu máquina con seguridad razonable, porque separa dos controles que mucha gente confunde: el modo sandbox y la política de aprobación. El primero aísla la ejecución; el segundo decide qué acciones necesitan tu visto bueno.

Que un agente ejecute comandos en tu máquina asusta un poco, y con razón. Por eso conviene entender bien esos dos controles antes de darle rienda suelta.

Los perfiles de permisos te dejan elegir el nivel de libertad del agente:

1. Solo lectura, para que investigue sin tocar nada.
2. Escritura en el workspace, para que trabaje dentro de los límites del proyecto.
3. Acceso completo, cuando ya sabes lo que haces y confías en la tarea.

Un detalle que se agradece: la red arranca desactivada en los perfiles de permisos salvo que la habilites tú. Nada de conexiones a internet por sorpresa. Y cuando un comando o una herramienta necesita aprobación, la TUI te muestra la petición antes de ejecutarla. Tú decides.

⚠️ Un agente con acceso completo y red abierta es potente y peligroso a partes iguales. Empieza siempre por el perfil más restrictivo y sube el listón solo cuando la tarea lo justifique. Es más fácil dar permisos que recuperar un fichero borrado.

Para gestionar el trabajo en paralelo tienes sesiones que se bifurcan y retoman. Abres una pestaña de terminal por sesión de código y usas /resume, /fork o /side dentro de la TUI, o interpreter resume e interpreter fork desde la shell. Trabajar en varias líneas a la vez sin pisarte es de las cosas que más productividad te dan cuando le coges el punto.

Merece la pena frente a Claude Code, Codex u OpenCode ¶

Pregunta directa, respuesta directa: depende de cuánto te importe el coste y la independencia del proveedor. Si vives en el ecosistema de Anthropic y no miras la factura, Claude Code sigue siendo la referencia. Si buscas exprimir modelos abiertos baratos con un arnés serio, Open Interpreter entra fuerte. Y si además andas eligiendo agente de terminal, esta comparativa de agentes de IA para programar en terminal te ubica el resto del mapa.

Aquí va una comparación honesta de los cuatro:

Un dato para poner las cosas en contexto: OpenCode lidera la categoría en estrellas de GitHub con unas 182.000, por delante de Gemini CLI y Codex (State of CLI Coding Agents). Open Interpreter juega en otra liga de tamaño, pero su propuesta es más quirúrgica: no quiere ser el más grande, quiere ser el que mejor viste a un modelo económico.

La tendencia le da la razón. Coinbase se pasó a modelos chinos como GLM-5.2 y Kimi 2.7 y recortó a la mitad su gasto en IA. Lindy abandonó Claude por DeepSeek v4 y se ahorró millones. En OpenRouter, los modelos chinos superan el 30% del tráfico semanal desde febrero de 2026, frente al 11% del año anterior, a un coste entre un 60% y un 90% menor (The Decoder).

Cuando el mercado se mueve así, una herramienta cuyo único propósito es exprimir esos modelos tiene el viento a favor.

Cuándo Open Interpreter no es tu herramienta ¶

Toca ser honestos, que aquí no vendemos motos. Open Interpreter no es la respuesta para todo el mundo, y decirlo claro te ahorra tiempo.

Si tu trabajo depende de tener siempre el modelo más capaz para tareas de largo horizonte y no te preocupa lo que cueste, un agente premium con modelo y arnés co-entrenados te dará menos sorpresas. Ese emparejamiento entre modelo y harness hecho en casa sigue teniendo ventaja en las tareas más duras, y los agentes de los propios laboratorios lo aprovechan.

Tampoco es la opción más cómoda si buscas la máxima madurez y una comunidad enorme detrás. El proyecto acaba de renacer: en la práctica es software joven, con una versión que ronda el 0.0.21 y un ritmo de cambios alto. Eso significa iteración veloz, sí, pero también aristas por pulir y documentación que aún se está asentando.

Y hay un matiz de fondo: al ser un fork de Codex, hereda la superficie de la terminal de Codex —la misma que conoces si vienes de la guía para migrar de Claude Code a Codex o a OpenCode—. Si esa forma de trabajar no te encaja, ninguna emulación de harness la va a cambiar.

La regla es simple: elige Open Interpreter cuando el coste y la independencia del proveedor pesen en tu decisión. Si lo que necesitas es la respuesta más capaz cueste lo que cueste, mira hacia otro lado sin remordimientos.

Un flujo de trabajo práctico para probarlo hoy ¶

Basta de teoría. Si quieres darle una oportunidad esta misma tarde sin jugarte nada, sigue estos pasos:

1. Instálalo con el comando de una línea para tu sistema operativo.
2. Arranca con interpreter y configura un modelo abierto barato con /model. GLM 5.2 o Kimi son buenas primeras opciones.
3. Elige un harness con /harness. Prueba primero native y luego claude-code sobre la misma tarea para notar la diferencia.
4. Empieza en modo solo lectura y pídele que analice un proyecto pequeño: que te explique la estructura, que localice dónde se define una función, que resuma qué hace un módulo.
5. Sube a escritura en el workspace cuando confíes, y encárgale una tarea acotada: añadir una prueba, refactorizar una función repetida, corregir un error concreto.
6. Revisa cada diff antes de aprobarlo. El agente propone; tú decides. Esa costumbre te salvará de más de un disgusto.

La gracia del paso 3 es que vas a sentir de qué hablábamos con los harness. El mismo modelo, la misma tarea, dos arneses distintos y resultados que no se parecen. Es la mejor manera de entender por qué este proyecto existe.

Y si algo no funciona a la primera, respira. Recuerda aquella lección eterna del backtrace: lee el error desde el principio, no desde el final. La frustración con las herramientas nuevas es normal; suele esconder un detalle tonto de configuración, no un fallo de tus capacidades.

Preguntas frecuentes ¶

¿Qué es Open Interpreter en 2026? ¶

Open Interpreter es un agente de código para terminal escrito en Rust, publicado bajo licencia Apache-2.0, optimizado para modelos abiertos de bajo coste como GLM 5.2, DeepSeek y Kimi. Es un fork de Codex de OpenAI centrado en emular el harness que mejor rendimiento saca a esos modelos.

¿Open Interpreter sigue siendo el de Python? ¶

No. La versión actual está reescrita en Rust y es un proyecto distinto. El Open Interpreter original en Python, que ejecutaba código en local desde lenguaje natural, sobrevive como fork mantenido por la comunidad en el repositorio de endolith.

¿Qué es la emulación de harness? ¶

Es la capacidad de hacer que Open Interpreter formatee sus peticiones como lo haría otro agente: Claude Code, Kimi CLI, Qwen Code, DeepSeek TUI o SWE-agent, entre otros. Cambias el arnés activo con el comando /harness sin cambiar de modelo, buscando el que mejor exprime al modelo que tengas.

¿Cómo se instala Open Interpreter? ¶

En macOS y Linux, con curl -fsSL https://www.openinterpreter.com/install | sh. En Windows, con irm https://www.openinterpreter.com/install.ps1 | iex desde PowerShell. Después arrancas escribiendo i o interpreter en la terminal.

¿Qué modelos puedo usar con Open Interpreter? ¶

Está optimizado para modelos abiertos como GLM 5.2, DeepSeek y Kimi, pero es agnóstico de proveedor: puedes conectar el que quieras y cambiarlo desde la TUI con /model.

¿Es seguro dejar que ejecute comandos en mi máquina? ¶

Trae sandboxing nativo en los tres sistemas operativos y perfiles de permisos que van desde solo lectura hasta acceso completo. La red arranca desactivada salvo que la habilites, y la TUI te pide aprobación antes de ejecutar comandos sensibles. La recomendación es empezar por el perfil más restrictivo.

¿En qué se diferencia de Claude Code? ¶

Claude Code está atado a los modelos de Anthropic y es cerrado, mientras que Open Interpreter es open source, agnóstico de proveedor y pensado para modelos baratos. Claude Code gana en madurez y ecosistema; Open Interpreter gana en coste e independencia.

¿Puedo usarlo dentro de mi editor? ¶

Sí. Open Interpreter funciona como agente del Agent Client Protocol (ACP) y se arranca con interpreter acp, lo que permite integrarlo en editores compatibles con ese protocolo.

¿Soporta MCP, skills y AGENTS.md? ¶

Sí. Soporta exec, servidores MCP, skills, hooks, permisos y ficheros AGENTS.md, el mismo vocabulario de extensibilidad que popularizó Claude Code y que comparte buena parte del ecosistema.

¿Por qué elegir un modelo barato en lugar del mejor del mercado? ¶

Porque la brecha se ha cerrado. En benchmarks recientes, GLM 5.2 iguala a Opus 4.8 a un coste sensiblemente menor, y modelos abiertos como GLM-5 quedan a pocos puntos de los de frontera en SWE-bench Verified. Con un buen harness, el ahorro llega sin renunciar apenas a calidad.

Fuentes ¶

• Open Interpreter, “Repositorio oficial en GitHub”
• Open Interpreter, “Web y documentación del proyecto”
• Matthias Bastian, “Databricks makes GLM 5.2 its default coding engine”
• Alex Lavaee, “GLM-5 and the Open Model Convergence”
• Arcbjorn, “State of CLI Coding Agents, Mid-2026”
• endolith, “Fork comunitario del Open Interpreter clásico en Python”

🧨 Última oprtunidad para recibir la dinamita que mereces sobre programación con IA el próximo domingo: Suscríbete gratis a Web Reactiva en https://webreactiva.com/newsletter