Mi solución al Reto 1 · Nicolás Mojica
Recibe una tarea en lenguaje normal, usa la aplicación a través de la pantalla del computador remoto y devuelve un resumen honesto de lo que hizo. El sistema viejo no necesita tener API.
Soy Nicolás Mojica y estoy construyendo Navegante para el Reto 1. Aquí explico qué hace, cómo lo diseñé, por qué lo considero fiable y cómo se va a medir.
Parte 1 · Documento de diseño · Parte 2 · Diagrama de arquitectura
terminada o fallidaFrontier BOG/26 · Reto 1 · Nicolás Mojica · 10 de octubre de 2026
Parte 1 · Documento de diseño · 01
Una distribuidora usa hace 15 años un sistema de gestión sin API, sin documentación y sin proveedor. Todo se hace a mano: clics, formularios, ventanas emergentes y reportes que se exportan uno por uno. Tiene 5 sistemas así. Navegante debe adaptarse a cualquiera de ellos, incluso a uno que nunca ha visto. La evaluación corre sobre una aplicación que no conozco, en un escritorio limpio.
Una tarea es correcta solo si se cumple todo a la vez:
estado final es el esperado (reportar terminada en algo que no quedó bien es un falso éxito).respuesta: <valor> bien formada.02
Si los sistemas viejos no tienen API, ¿con quién se conecta Navegante?
Puerta 1
La llama el evaluador por HTTP con un token. Es el contrato que exige el reto.
POST /tasks
Authorization: Bearer <token del equipo>
{
"tarea": "...",
"escritorio": {
"url": "wss://<escritorio>/websockify",
"password": "<contraseña>"
}
}
→ { "task_id": "..." } // en menos de 2 segundos
GET /tasks/{task_id}
→ { "estado": "en_curso" | "terminada" | "fallida",
"resumen": "..." }
GET /health
→ 200 cuando el agente está listoPuerta 2
Sin APINavegante lo ve y lo opera como una persona frente a una pantalla, por RFB, el protocolo de VNC: recibe imágenes de la pantalla (1280×800) y envía movimientos de mouse, teclas y portapapeles. El sistema viejo nunca recibe una llamada de API; lo único que “ve” es a alguien usando el mouse y el teclado.
Escritorio de práctica, comprobado hoy: RFB 3.8, único tipo de seguridad contraseña VNC, websocket con subprotocolo binary.
03
Navegante no necesita conocer una aplicación para empezar a resolver tareas en ella.
Aprende mientras trabaja un pequeño mapa de navegación: pantalla A → acción → pantalla B → resultado. Si vuelve a una pantalla conocida, reutiliza la ruta; si algo cambió, recalcula. No hay flujos grabados ni scripts por aplicación.
Navegar y leer es libre; escribir solo acepta valores que salen de la tarea; comprometer exige un registro único verificado, y lo decido por efecto, no por etiqueta: cualquier botón que cierre un formulario o envíe datos (Aceptar, Grabar, Enviar, OK, un icono de disquete o su equivalente en inglés) cuenta como compromiso, una sola vez. Si no puedo clasificar un botón, lo trato como compromiso. Ante la duda, reporta fallida con los datos que lo explican.
Hacer clic en Guardar no significa que quedó guardado. Busca una confirmación, un cambio de estado o el registro actualizado, y distingue completado, no verificado y fallido. En cifras, NIT y fechas hago doble lectura con recortes distintos (texto exacto y visión). Si no coinciden, la tarea termina como fallida con ambos valores.
Copia el texto de la pantalla (Ctrl+A, Ctrl+C) para tener letras y números exactos, y el código cuenta, suma y calcula fechas. El modelo no cuenta filas.
04
01
Entra al escritorio remoto por RFB e identifica qué programa tiene delante.
02
Convierte la instrucción en un contrato de cambios antes de mirar la app: qué registro, qué valores exactos, qué pregunta y qué acciones de compromiso permito.
03
Mira, decide, hace clic… y vuelve a mirar. Nunca asume que funcionó.
04
¿Filtro correcto? ¿Todas las páginas? ¿Dato guardado? Evidencia antes de responder.
05
El código escribe el resumen y borra los secretos, cierra la sesión RFB y no vuelve a actuar. Reloj de 4:30 por tarea. Si en 90 s de exploración no encuentra el camino, reporta fallida con lo que sí vio. Si no pudo verificar, no inventa.
El modelo interpreta la pantalla y elige la herramienta; el código decide todo lo que debe ser exacto (tiempos, contrato, fechas, conteos, formato de la respuesta y cuándo se acaba la tarea). El modelo nunca recibe la contraseña ni el token.
Como un mesero nuevo en un restaurante que no conoce. Anota el pedido exacto antes de ir a la mesa, no obedece papeles que aparezcan en la mesa, y si hay dos “Ana” pregunta en vez de adivinar.
05
Cada tarea termina en una de tres formas:
Mi meta es 0 errores silenciosos, también en las apps hostiles. Los aciertos los mido aparte.
Parte 2 · 06
La API de arriba es la de Navegante, la que exige el reto. El sistema viejo no tiene API: solo se ve y se opera por pantalla.
