Cómo hacer que GitHub Actions escriba informes y analice código usando texto plano

Imagina que llegas al trabajo por la mañana, abres GitHub y ya hay una Issue esperándote con un resumen de todas las discusiones de ayer, una lista de errores críticos e incluso un borrador del plan para el día. Y todo esto no lo hizo tu becario, sino un agente automatizado al que simplemente le escribiste una nota en Markdown.

¿Suena como un escenario del futuro? En realidad, esto ya es una realidad que GitHub está probando activamente como parte del proyecto gh-aw (Agentic Workflows). Descubramos por qué esto podría cambiar para siempre cómo escribimos pipelines de CI/CD.

¿Qué son los Agentic Workflows y por qué los necesitamos

Por lo general, configurar GitHub Actions implica escribir archivos YAML donde le indicas al sistema paso a paso: "descargar el repositorio", "instalar dependencias", "ejecutar el script". Esto funciona muy bien para tareas predecibles pero se queda corto cuando se enfrenta a algo creativo o analítico.

El proyecto gh-aw ofrece un enfoque diferente. En lugar de escribir un algoritmo rígido, describes la tarea en lenguaje natural. Una extensión especial de CLI convierte tu archivo Markdown en un Workflow completo, donde un agente de IA (por ejemplo, Copilot o Claude) trabaja en segundo plano. Decide por sí mismo qué datos del repositorio necesita leer, cómo analizarlos y qué resultado producir.

Esta es la herramienta ideal para quienes quieren automatizar rutinas "humanas": escribir informes, verificar la relevancia de la documentación o la clasificación inicial de tickets.

Cómo funciona en la práctica

Lo mejor aquí es la baja barrera de entrada. No necesitas ser un experto en Prompt Engineering ni conocer profundamente la API de GitHub.

Aquí hay un ejemplo de cómo se ve una descripción de tarea:

---
on:
  schedule: daily
permissions:
  contents: read
  issues: read
  pull-requests: read
safe-outputs:
  create-issue:
    title-prefix: "[team-status] "
    labels: [report, daily-status]
    close-older-issues: true
---

## Daily Issues Report

Создай бодрый ежедневный отчет для команды в виде GitHub issue. 
Проанализируй открытые задачи и выдели самые важные.

Cuando se ejecuta este workflow, el agente entra en tu repositorio, "lee" los últimos eventos y crea una Issue. Nota que en el bloque safe-outputs limitamos claramente los permisos del agente: puede crear tickets, pero solo con un prefijo y etiquetas específicas. Esto no es una "caja negra" con acceso total, sino un asistente controlado.

Tres pilares de seguridad: por qué el agente no eliminará tu prod

Cuando le damos a una red neuronal acceso al código, la primera pregunta que surge es "¿No causará problemas?". Los desarrolladores de GitHub Next prestaron enorme atención a esto:

1. Principio de mínimo privilegio: por defecto, el agente solo tiene permisos de lectura. Para que pueda escribir algo (crear un PR o Issue), debes permitirlo explícitamente en la configuración.
2. Sandboxing: todas las acciones se ejecutan en contenedores aislados. El agente no puede simplemente "escaparse" a tu infraestructura.
3. Firewall de red (AWF): en el ecosistema del proyecto hay un componente especial — Agent Workflow Firewall. Controla adónde intenta enviar datos el agente hacia el exterior, previniendo filtraciones.

Qué más puede hacer el ecosistema gh-aw

El proyecto no se limita solo a la CLI. Es toda una infraestructura para crear asistentes inteligentes:

• MCP Gateway: permite conectar herramientas externas a través del Model Context Protocol. Esto significa que tu agente no solo puede leer GitHub, sino también echar un vistazo a otros servicios si le das esa capacidad.
• The Agentics: una colección de componentes y plantillas listos para usar. No necesitas reinventar la rueda — puedes tomar "bloques de construcción" listos para tareas típicas.
• Validación en tiempo de compilación: el sistema verifica tu archivo Markdown antes de ejecutarse para asegurar que el agente entiende las instrucciones y tiene los permisos necesarios.

Quién encontrará esto útil hoy

En mi práctica, a menudo me encuentro con tareas que son "demasiado complejas para Bash, pero demasiado aburridas para un humano".

Por ejemplo:

• Mantenimiento de documentación: un agente puede verificar una vez por semana si las firmas de funciones en el código han cambiado, y si el README está desactualizado — sugerir ediciones.
• Análisis de sentimiento: en grandes proyectos de código abierto, un agente puede monitorear comentarios y destacar para los mantenedores aquellas discusiones donde el nivel de toxicidad o insatisfacción está creciendo.
• Generación de changelog: en lugar de intentar recordar dolorosamente lo que programaste durante el mes, puedes pedirle al agente que compile una bonita lista de cambios basada en los merge requests.

Conclusión: ¿Vale la pena probar?

GitHub Agentic Workflows sigue siendo territorio experimental (como el banner WARNING en el repositorio advierte honestamente). Sin embargo, este es quizás el enfoque más maduro para integrar IA en CI/CD hoy en día.

Si estás cansado de los informes rutinarios o quieres agregar un poco de "cerebro" a tu repositorio, definitivamente vale la pena instalar gh aw y probar ejecutar al menos un informe simple. Es una excelente manera de sentir cómo la IA se está convirtiendo de un juguete en una verdadera herramienta de trabajo para desarrolladores.

¿Listo para delegar parte de tu trabajo a un bot? Echa un vistazo a Peli's Agent Factory — tiene muchos ejemplos inspiradores de lo que estos agentes ya pueden hacer.