GitHub Copilot agent para resolver problemas complejos de arquitectura, estimación de costos e investigación técnica, más allá del código.
GitHub Copilot ya no es solo un asistente para escribir código. Con la llegada de los Custom Agents y el repositorio awesome-copilot, puedes convertirlo en un compañero de pensamiento estructurado que te ayuda a resolver problemas complejos de arquitectura, estimación de costos, investigación técnica y toma de decisiones.
Este repositorio documenta cómo instalar y usar el agente Thinking Beast Mode dentro de Visual Studio Code para escenarios que van mucho más allá de escribir líneas de código.
Es un archivo .agent.md que redefine el comportamiento de GitHub Copilot cuando está en modo agente. En lugar de simplemente completar código, el agente sigue un marco cognitivo de múltiples fases:
- Análisis multidimensional: No se queda con lo que le pides a primera vista. Descompone el problema en capas (lo explícito, lo implícito, lo sistémico, lo temporal).
- Investigación recursiva: Usa herramientas como
fetch_webpagepara buscar en internet, validar información y seguir enlaces relevantes hasta tener contexto completo. - Pensamiento adversarial: Antes de proponer una solución, la ataca internamente. Busca puntos de falla, casos borde y supuestos incorrectos.
- Iteración con validación: No se detiene en la primera respuesta. Itera, prueba y refina hasta que el resultado sea robusto.
La clave es que este comportamiento no se limita a código. Funciona igual de bien para diseñar arquitecturas, investigar tecnologías, calcular costos de infraestructura o armar una propuesta técnica.
Antes de empezar, necesitas lo siguiente:
- Visual Studio Code actualizado (versión 1.99 o superior recomendada).
- GitHub Copilot activo con una suscripción que soporte el modo agente (Copilot Individual, Business o Enterprise).
- Acceso a un modelo que soporte agentes, como Claude Sonnet 4 o GPT-4o, seleccionable desde el picker de modelos en VS Code.
No necesitas Docker ni el MCP Server de awesome-copilot para este flujo en particular. El agente se instala como un archivo local.
Paso 1. Abre tu proyecto o workspace en VS Code. Si no tienes un proyecto abierto, crea una carpeta vacía y ábrela. El agente se ancla al workspace.
Paso 2. Crea la estructura de carpetas para agentes personalizados. Desde la terminal integrada:
mkdir -p .github/agentsPaso 3. Descarga el archivo del agente directamente desde el repositorio:
curl -o .github/agents/Thinking-Beast-Mode.agent.md \
https://raw.githubusercontent.com/github/awesome-copilot/main/agents/Thinking-Beast-Mode.agent.mdSi curl falla por restricciones de robots.txt, ve a la página del agente en GitHub, copia el contenido del archivo raw, y pégalo manualmente en .github/agents/Thinking-Beast-Mode.agent.md.
Paso 4. Abre GitHub Copilot Chat en VS Code (Ctrl+Alt+I en Windows/Linux, ⌃⌘I en macOS). En el dropdown de agentes que aparece en la parte inferior de la vista de chat, deberías ver Thinking Beast Mode como opción. Si no aparece, haz clic en "Configure Custom Agents" y verifica que el archivo esté en la ruta correcta.
Paso 1. Abre Copilot Chat y en el dropdown de agentes, selecciona Configure Custom Agents... y luego Create new custom agent.
Paso 2. Elige Workspace como ubicación para que el agente viva dentro de tu proyecto.
Paso 3. VS Code crea un archivo .agent.md vacío. Reemplaza todo su contenido con el contenido del Thinking-Beast-Mode.agent.md original.
Paso 4. Guarda y el agente aparecerá en el dropdown.
Thinking Beast Mode es exigente en razonamiento. Para obtener los mejores resultados, selecciona un modelo potente desde el picker de modelos en Copilot Chat. Los que mejor funcionan con este agente:
- Claude Sonnet 4.6 o Claude Opus 4.6 (recomendados para análisis profundo y razonamiento complejo)
- Gemini 3.1 (buena alternativa con buen rendimiento en investigación y contexto largo)
Puedes cambiar el modelo en cualquier momento desde el dropdown del chat sin reinstalar nada.
Una vez seleccionado "Thinking Beast Mode" en el dropdown de agentes, cualquier prompt que escribas se procesará con el marco cognitivo del agente. Esto cambia radicalmente la forma en que Copilot responde.
La diferencia fundamental es que el agente no responde de inmediato. Primero piensa, descompone, investiga y luego construye una respuesta estructurada. Esto lo hace especialmente valioso para problemas donde una respuesta superficial sería peligrosa o insuficiente.
Estás diseñando la arquitectura para una aplicación de gobierno que necesita cumplir con regulaciones de residencia de datos en México.
Prompt:
Necesito diseñar una arquitectura en Azure para una aplicación web de gobierno en México
que procesa datos de ciudadanos. Debe cumplir con la Ley Federal de Protección de Datos
Personales. Necesito alta disponibilidad, recuperación ante desastres y que los datos
nunca salgan de la región de México.
Investiga qué servicios de Azure están disponibles en la región Mexico Central,
cuáles tienen zona de disponibilidad, y proponme una arquitectura con los componentes
específicos. Incluye las limitaciones reales de la región.
Lo que hace el agente: investiga las capacidades reales de la región de Azure en México, valida disponibilidad de servicios, identifica limitaciones y propone una arquitectura con justificación técnica para cada componente. No inventa, busca datos actuales.
Tienes una arquitectura definida y necesitas estimar costos mensuales antes de presentarla a un cliente.
Prompt:
Tengo la siguiente arquitectura en Azure y necesito estimar el costo mensual.
Usa como referencia la Azure Pricing Calculator (https://azure.microsoft.com/en-us/pricing/calculator/)
y las páginas de precios individuales de cada servicio:
- 2 instancias de App Service Plan P1v3 en Mexico Central
- Azure SQL Database Business Critical, 4 vCores, 500GB
- Azure Front Door Premium con WAF
- Azure Key Vault con 10,000 operaciones/mes
- Azure Monitor con 50GB de logs/mes
- Storage Account LRS con 1TB de blobs
Investiga los precios actuales de cada servicio en la región Mexico Central.
Dame un desglose por servicio y el total mensual estimado en USD.
Señala qué servicios no tienen precio diferenciado por región y cuáles sí.
Lo que hace el agente: navega a la Azure Pricing Calculator y las páginas de precios individuales, extrae datos por región, construye la estimación y te señala dónde hay variaciones regionales. No te da un número de memoria, lo busca.
Tu cliente quiere migrar de Azure DevOps a GitHub pero tiene pipelines complejas con agentes self-hosted.
Prompt:
Un cliente tiene 200 pipelines en Azure DevOps con agentes self-hosted en Linux
corriendo en VMs de Azure. Quieren migrar a GitHub Actions pero mantener los
agentes self-hosted por temas de compliance.
Investiga las diferencias reales entre Azure Pipelines y GitHub Actions para este
escenario. Específicamente:
1. ¿Cómo se configuran los self-hosted runners en GitHub Actions vs los agentes en ADO?
2. ¿Qué equivalencias existen para templates de YAML, variable groups y service connections?
3. ¿Existen herramientas oficiales de migración y qué tan maduras están?
4. ¿Cuáles son los riesgos reales de esta migración?
Busca información actualizada, no uses conocimiento genérico.
Estás preparando una presentación sobre GitHub Copilot Extensions y necesitas entender el estado actual.
Prompt:
Necesito preparar una presentación técnica sobre el estado actual del GitHub Copilot SDK
y las Copilot Extensions. Investiga:
1. ¿Qué lenguajes soporta el SDK actualmente?
2. ¿Cuál es la arquitectura de una Copilot Extension?
3. ¿Cómo se integra con MCP (Model Context Protocol)?
4. ¿Qué limitaciones tiene hoy en producción?
5. ¿Hay ejemplos reales de empresas usándolo?
Usa fuentes oficiales de GitHub y Microsoft. No quiero información genérica,
quiero el estado a la fecha con links a documentación.
Tu equipo tiene problemas de rendimiento en producción y necesitas un análisis estructurado.
Prompt:
Tenemos una API en .NET 8 desplegada en Azure App Service que experimenta timeouts
intermitentes. El App Service está en P2v3, usa Azure SQL como backend y tiene
Application Insights habilitado. Los timeouts ocurren entre 2pm y 4pm,
coincidiendo con un job de sincronización de datos.
Quiero que me ayudes a construir un plan de diagnóstico estructurado:
1. ¿Qué métricas de Application Insights debo revisar primero?
2. ¿Qué queries de KQL me recomiendas para identificar el cuello de botella?
3. ¿Cuáles son las causas más probables dado el patrón temporal?
4. ¿Qué cambios de arquitectura podrían resolver esto sin sobredimensionar?
Piensa esto como un problema de sistema, no me des respuestas genéricas
de "escala verticalmente".
Prompt:
Revisa esta arquitectura desde una perspectiva de seguridad:
- Frontend SPA en Azure Static Web Apps
- API en Azure Container Apps con managed identity
- Base de datos en Cosmos DB con private endpoint
- Secrets en Azure Key Vault
- Autenticación con Azure AD B2C
¿Dónde están los vectores de ataque más probables? ¿Qué configuraciones
de seguridad frecuentemente se omiten? ¿Qué recomendaciones del Azure
Security Benchmark aplican y cuáles no para este patrón?
Sé específico con el contexto. Este agente funciona mejor cuando le das restricciones reales: región, presupuesto, regulaciones, stack tecnológico existente. Entre más contexto, menos genérica es la respuesta.
Pídele que investigue, no que adivine. La fuerza de Thinking Beast Mode está en su capacidad de usar fetch_webpage para buscar información actual. Si le dices "investiga los precios actuales" o "busca en la documentación oficial", activa ese comportamiento.
Usa "resume" o "continue" si se detiene. Si el agente llega a un punto donde parece detenerse, escribe "continue" o "resume" y retomará desde donde se quedó. Está diseñado para no dejarte colgado.
Combínalo con archivos de contexto. Puedes arrastrar archivos al chat (diagramas de arquitectura, documentos de requerimientos, archivos de configuración existentes) y el agente los incorpora a su análisis. No está limitado al prompt de texto.
No aceptes la primera respuesta sin cuestionar. El agente es bueno, pero tú conoces tu contexto mejor que él. Si algo no suena bien, pregúntale por qué tomó esa decisión. Está diseñado para explicar su razonamiento.
- Consume más tokens que un chat normal. El marco cognitivo del agente genera respuestas largas y detalladas. Esto se come tu cuota de Copilot más rápido. Úsalo para problemas que lo ameriten, no para preguntas simples.
- La calidad de la investigación web depende del modelo. No todos los modelos manejan la herramienta
fetch_webpageigual de bien. Claude y GPT-4o son los más consistentes. - Los precios y disponibilidad de servicios cambian. Aunque el agente busca información actual, siempre valida los números finales contra la calculadora oficial de Azure antes de presentarlos a un cliente.
- No reemplaza la documentación oficial. Es un punto de partida excelente para investigación, pero la decisión final de arquitectura siempre debe validarse contra la documentación vigente y las mejores prácticas de tu organización.
Para contexto, el repositorio github/awesome-copilot contiene mucho más que este agente. Es una colección comunitaria de:
- Agents (
.agent.md): Personalidades especializadas como Thinking Beast Mode, planificadores, revisores de código, etc. - Prompts (
.prompt.md): Prompts reutilizables para tareas específicas accesibles con/. - Instructions (
.instructions.md): Estándares de codificación y mejores prácticas que se aplican automáticamente según patrones de archivo. - Skills: Carpetas con instrucciones y recursos que expanden las capacidades del agente.
- Collections: Conjuntos curados de los anteriores, organizados por tema.
Puedes explorar todo el catálogo en github.github.com/awesome-copilot o instalar otros agentes siguiendo el mismo proceso descrito arriba.