Pega este texto a tu agente (Claude Code, Codex, OpenCode, Hermes o el que uses) y dile «ayúdame a montarlo». Son los pasos para ponerlo en marcha; el porqué de cada pieza está en la guía completa.
Pregunta primero para qué lo quiere. Si su objetivo no necesita algún paso, sáltalo.
Antes de instalar, comprueba lo que ya tiene (versiones, claves, sistema operativo).
Avanza un paso cada vez: explica en una frase qué vas a hacer y deja que el usuario lo ejecute o lo apruebe.
Tras cada paso, comprueba que funcionó antes de seguir. Si falla, para y explica el error.
No inventes comandos ni opciones: si la documentación del proyecto contradice estos pasos, manda la documentación.
Al terminar, haz una prueba real con el objetivo del usuario y dile dónde profundizar.
Pasos de configuración
Delimita la prueba
Selecciona tareas representativas y fija criterios de aceptación, máximo de intentos y datos que registrar. Separa la muestra que usarás para elegir de otra para confirmar el resultado.
Configura LiteLLM
Sigue LiteLLM, incluidos sus requisitos, configuración y comprobación actuales. Completa la prueba de la biblioteca desde el proyecto uv y comprueba proveedor, modelo y tratamiento de errores; esa instalación no crea una pasarela.
Configura Caveman
Sigue Caveman, incluidos sus requisitos, configuración y comprobación actuales. Este ensayo usa solo la skill de estilo. Comprueba que el arnés la aplica en la segunda condición; conserva modelo, herramientas y procesamiento de entradas de la base y deja el CLI completo fuera de esta comparación.
Configura Better Harness
Sigue Better Harness, incluidos sus requisitos, configuración y comprobación actuales. Recarga el plugin, activa el análisis y comprueba que la hipótesis apunta a evidencia del proyecto o sesiones disponibles.
Datos que pasan entre piezas
Los archivos siguientes son entregables de este caso preparados por el agente; no implican exportadores ni sincronización automática.
Pasa de Better Harness hipotesis.md y de la skill Caveman las instrucciones revisadas explícitamente a la aplicación de LiteLLM; registra en resultados.csv tarea, modelo, condición, respuesta, intentos, consumo y aceptación. Sin segunda muestra o evidencia de que la aplicación recibió esas instrucciones, detén la selección final; no confundas cargar la skill en el arnés con aplicarla en Python.
Monta el flujo
Paso 1
Con Better Harness revisa sesiones autorizadas y plantea una hipótesis de coste. Define tareas y criterios antes de cambiar modelo o estilo.
Paso 2
Añade LiteLLM al proyecto y adapta un ejemplo oficial para cada modelo permitido. Ejecuta la base con la misma entrada y registra resultados, errores y consumo disponible; comprueba soporte de herramientas cuando corresponda.
Paso 3
En una condición separada activa solo Caveman skill. No presupongas que se inyecta en las llamadas de tu aplicación Python: entrega las instrucciones revisadas al experimento de forma explícita. Compara también sin esas instrucciones.
Paso 4
Elige por clase de tarea y repite con la muestra de confirmación. Calcula coste por resultado aceptado cuando haya datos de facturación fiables y conserva una ruta de respaldo comprobada.
Comprobación
Incluye una tarea que falle y contabiliza todos sus intentos. Revisa que las respuestas breves conserven código, rutas y errores y que el modelo elegido cumpla los criterios en la segunda muestra.
Si algo falla
Si no hay costes fiables, evita porcentajes monetarios. Si el modelo pierde capacidad, conserva la configuración que funciona y limita la conclusión a lo observado.
Esta composición de WISD no se ha ejecutado como prueba integral. La configuración se consulta en las guías enlazadas; las etapas describen cómo coordinar las piezas.
Prompt para tu agente
Sustituye los campos entre <> antes de pegarlo.
Lee y sigue las instrucciones publicadas de las piezas: LiteLLM: /hub/litellm-agent-platform/instrucciones.md; Caveman: /hub/caveman-token-saver/instrucciones.md; Better Harness: /hub/better-harness/instrucciones.md. Completa los requisitos, configuración y comprobación de cada pieza cuando le corresponda en el ensayo, manteniendo Caveman sin activar durante la base; comprueba su uso desde el cliente o arnés elegido, no solo su presencia en disco. Si falta un campo entre <>, una fuente obligatoria, acceso o una operación documentada, detén la etapa dependiente, informa qué falta y pídemelo; usa una alternativa manual solo cuando esté descrita y comprobada. No inventes datos ni des por superada una comprobación pendiente.
En <proyecto uv>, compara <modelos permitidos> con <muestra y criterios de aceptación>. Usa Better Harness para proponer una hipótesis basada en <sesiones>, y LiteLLM para ejecutar llamadas equivalentes. Registra primero la base sin Caveman. Después ensaya por separado sus instrucciones de estilo, entregándolas explícitamente a la aplicación y comprobando que se usan, sin activar su CLI de compresión. Registra consumo, duración, fallos y todos los reintentos en <archivo>. Confirma la elección con <segunda muestra>. Calcula coste por resultado aceptado solo con precios y mediciones fiables; entrega regresiones y configuración recomendada.
Pasa de Better Harness hipotesis.md y de la skill Caveman las instrucciones revisadas explícitamente a la aplicación de LiteLLM; registra en resultados.csv tarea, modelo, condición, respuesta, intentos, consumo y aceptación. Sin segunda muestra o evidencia de que la aplicación recibió esas instrucciones, detén la selección final; no confundas cargar la skill en el arnés con aplicarla en Python.
Qué es
Una prueba para elegir cómo ejecutar una clase de tarea con un coste aceptable. El informe compara calidad, duración y consumo, e incluye los intentos que fallan para que una configuración barata por llamada no parezca mejor por ocultar reintentos.
Para qué te sirve
Cuando un modelo pequeño parece suficiente pero necesitas medir sus errores con las mismas tareas.
Cuando acortar respuestas reduce longitud y quieres comprobar que conserva la información necesaria.
Cuando el coste sube por repetir intentos y no por el precio de una sola llamada.
Cómo funciona
Better Harness ayuda a plantear hipótesis con evidencia de sesiones. LiteLLM unifica llamadas para comparar proveedores mediante su biblioteca. Caveman aporta una condición de respuesta breve. La selección inicial es explícita por tarea: no se presupone un enrutador que elija correctamente por sí solo.
Antes de empezar
Prepara un proyecto uv con Python ≥3.10 y <3.16 para LiteLLM, proveedores permitidos y ejemplos de tareas con resultados esperados. Better Harness se instala en Claude Code. Caveman skill usa Node.js ≥22.20.0 y npm/npx; esta prueba no necesita su CLI completo. Registra precios de tus cuentas y fecha antes de calcular dinero; si faltan, informa solo consumo observado.
Límites y alternativas
Las capacidades no son iguales por compartir interfaz. Una tarea que requiere herramientas o salida estructurada necesita pruebas específicas por modelo. El ahorro en una muestra no se extrapola a toda la operación; incluye reintentos, respuestas inválidas y casos sin resolver.
