Una propuesta de Kuaapy sobre memoria, personalización y el valor del conocimiento construido entre una persona y sus agentes de IA.
Pasas horas trabajando con un agente. Explicas el proyecto, corriges una interpretación y encuentras una forma mejor de revisar. Por el contexto de la conversación, aprende que prefieres escuchar una explicación, que cierta decisión ya está tomada y que un procedimiento debe seguir un orden.
Ese trabajo produce algo más que la tarea entregada. Produce conocimiento sobre cómo trabajar contigo.
Cuando se pierde la continuidad, parte de esa inversión debe hacerse de nuevo. Vuelves a explicar lo que ya explicaste, a corregir lo que ya corregiste y a reconstruir acuerdos que estaban funcionando. El modelo puede seguir siendo capaz. Lo que falta es el camino construido hasta ese momento.
El conocimiento es demasiado valioso para tratarlo como un resto de conversación.
La propuesta es permitir que cada agente conserve y desarrolle su propia configuración de trabajo con el usuario. La memoria, las instrucciones, las habilidades y la forma de conversar serían parte de esa continuidad. Abrir una nueva sesión no debería exigir empezar esa relación de trabajo desde cero.
Una base común, configuraciones diferentes
Una persona puede trabajar con varios agentes y querer cosas diferentes de cada uno.
El agente de infraestructura necesita seguir las decisiones sobre servidores, dependencias y condiciones de operación. El agente editorial necesita preservar la voz de la autora, las decisiones de lenguaje y los criterios de publicación. El agente de marketing puede trabajar con otro ritmo, otro vocabulario y otra forma de presentar ideas.
Todos pueden compartir orientaciones generales. Eso no significa que deban recibir exactamente la misma configuración.
Cada agente debería tener sus propias instrucciones de actuación: función, prioridades, forma de revisar, nivel de detalle, tono y habilidades disponibles. La persona elegiría qué se aplica a todos y qué pertenece solo a ese agente.
Esa elección debería estar en una interfaz accesible. Más directo o más conversacional. Explicaciones breves o detalladas. Uso de títulos, listas y emojis. Preferencia por texto o voz. Procedimientos específicos de la función. Quien quiera editar los archivos también podría hacerlo, pero conocer la sintaxis de una configuración no debería ser una condición para personalizar su propia herramienta.
Guardar la conversación no basta
Un historial conserva lo que se dijo. Para ayudar en el siguiente trabajo, el sistema también necesita distinguir qué sigue siendo válido.
Imagina la revisión de un texto. La autora explica que una frase forma parte de su voz y pide conservarla. El agente necesita guardar algo más que la frase: debe reconocer la decisión y el contexto en el que se tomó. Si la autora cambia de opinión más adelante, la memoria debe reflejar ese cambio.
En la arquitectura que proponemos, un proceso de registro trabajaría en segundo plano. Organizaría el historial e identificaría decisiones, restricciones, preferencias y procedimientos que merecen seguir disponibles. Las anotaciones mantendrían un vínculo con su origen para poder comprobar por qué se registraron.
Eso no exigiría incluir toda la conversación en cada nueva solicitud. El historial podría organizarse en capas: detalles recientes disponibles de inmediato, resúmenes de etapas anteriores y acceso a los registros originales cuando fueran necesarios.
Una sugerencia pasajera no debería convertirse en una regla permanente solo por aparecer en una conversación. Tampoco debería promoverse sin criterio una preferencia individual a instrucción de todos los agentes.
La memoria también necesita revisión
Guardar durante meses una decisión equivocada no mejora a un agente. Solo da continuidad al error.
Por eso, otra parte de la propuesta es la consolidación periódica. En horarios configurados por el usuario, un proceso revisaría lo acumulado: reuniría duplicados, identificaría contradicciones, marcaría información superada y comprobaría qué sigue correspondiendo al proyecto.
Una anotación sobre código podría compararse con los archivos actuales. Una preferencia de comunicación podría revisarse a la luz de una orientación más reciente. Una duda seguiría identificada como duda hasta que hubiera una respuesta.
El usuario debería poder consultar y corregir esa memoria. Saber qué cree el agente sobre el trabajo forma parte de poder personalizarlo.
Recuperar lo acordado en el momento adecuado
Una memoria bien organizada todavía necesita llegar al agente cuando marque una diferencia.
Si la conversación volviera a una decisión antigua, el sistema buscaría los registros relacionados y presentaría el contexto necesario. Si un resumen no bastara, el agente podría recuperar el pasaje original. Un asunto pendiente también podría reaparecer cuando llegara el momento de resolverlo.
Los recordatorios periódicos serían otra opción. La persona podría definir intervalos para revisar los objetivos, las restricciones y las decisiones vigentes. Eso ayudaría a mantener el rumbo de un trabajo largo, sin volver a introducir todo el historial ni interrumpir la conversación con cada recordatorio.
Lo importante sería recuperar lo relevante para la tarea actual, conservando de dónde vino y si sigue siendo válido.
Lo aprendido puede convertirse en una habilidad
Hay conocimientos que empiezan como una corrección y terminan convirtiéndose en un método.
Después de varias revisiones, un agente editorial puede reunir un procedimiento: preservar el original, separar los relatos de las afirmaciones verificables, comprobar las fuentes, presentar los cambios y esperar las indicaciones de la autora para las imágenes. Otro agente puede desarrollar un procedimiento propio para preparar una actualización de software.
Nuestra propuesta es permitir que esos patrones se transformen en habilidades reutilizables, las llamadas skills. Describirían cuándo se aplica el procedimiento, qué pasos seguir, qué errores evitar y cómo comprobar el resultado.
La persona podría configurar una revisión semanal, por ejemplo, para que el agente propusiera actualizaciones de sus skills basadas en el trabajo de esa semana. El intervalo sería una elección, no una regla universal. El sistema necesitaría distinguir un procedimiento que funcionó de un comportamiento que simplemente se repitió.
Esa habilidad podría quedarse con ese agente o compartirse, a elección del usuario. El agente del blog no tendría por qué heredar automáticamente el método del responsable de los servidores.
La continuidad puede ser local
Esta propuesta no depende de volver a entrenar el modelo en cada conversación. La aplicación puede mantener las instrucciones, las memorias y las skills en archivos y almacenamiento local. Al ejecutar una tarea, reúne el material adecuado y se lo presenta al modelo.
En ese sentido, el agente aprendería de la persona: incorporando conocimiento recuperable y procedimientos a su configuración de trabajo. Eso no significa, por sí solo, modificar los pesos del modelo.
Si la revisión de esas memorias utiliza IA, podrá recurrir a un modelo local o a un servicio remoto, según la configuración. Guardar los archivos en la máquina no convierte automáticamente todo el procesamiento en local. El usuario debería poder elegir dónde ocurre cada etapa, con qué frecuencia y a qué coste.
También debería poder separar la memoria de cada agente de la memoria compartida de un proyecto. Colaborar no exige mezclarlo todo. Hay decisiones que necesitan llegar a todo el equipo y conocimientos que solo tienen sentido dentro de una función.
El valor está en el trabajo construido
Dos agentes pueden empezar con el mismo modelo y las mismas instrucciones. Después reciben tareas diferentes, pasan por correcciones diferentes y construyen procedimientos diferentes con la persona que los utiliza.
Preservar esa trayectoria da al usuario algo que no debería necesitar reconstruir en cada sesión: continuidad.
Cambiar de modelo, abrir otra conversación o terminar una tarea no debería obligar a abandonar el conocimiento acumulado. La persona debería poder conservar, revisar, exportar y llevarse esa configuración de trabajo.
Eso defendemos cuando decimos que los agentes no deberían ser desechables. El valor está también en el tiempo invertido para que esa colaboración funcione. En las explicaciones, los ajustes y las soluciones que nacieron del uso.
Cuanto más ayuda ese conocimiento a la persona a trabajar, más razones hay para preservarlo.