Lectura ejecutiva · ~60 segundos
El contexto de la conversación ayuda a funcionar, pero la continuidad depende de las especificaciones, el plan, las decisiones, el árbol de trabajo, la evidencia y la transferencia fuera del chat, con un progreso y una autoridad observables.
Las tareas largas rara vez fallan simplemente porque el modelo "no sabía programar". Fallan porque el objetivo se desvía, el estado se pierde, las decisiones no sobreviven a la sesión y la siguiente ejecución reconstruye el trabajo a partir de la memoria parcial.
El contexto conversacional es útil. No es un sistema de continuidad.
Resumen ejecutivo
Un agente a largo plazo necesita cinco estados fuera del chat:
| Estado | Pregunta |
|---|---|
| intención | ¿Qué resultado y límite siguen siendo válidos? |
| trabajo | ¿Qué activo, rama, entorno y tarea están activos? |
| decisión | ¿Qué fue elegido, rechazado o pospuesto? |
| evidencia | ¿Qué controles y observaciones apoyan al estado? |
| continuidad | ¿Cuál es el siguiente paso y cómo retomarlo? |
El harness debe mantener el historial de sesiones, la política de orquestación y el aislamiento de ejecución como límites explícitos. El modelo, complemento o canal no pueden cruzar el límite de seguridad. [HARNESS31-C2]
El problema de la continuidad
La ventana no es memoria duradera.
Una ventana grande contiene más información, pero aún mezcla decisiones, intentos, ruido y estado actual. Cuando el contexto se comprime o se restablece, es posible que desaparezcan detalles importantes.
El resumen no es una transferencia
“Trabajé en el backend y no hay pruebas” no permite retomar. Un traspaso debe señalar el subject, el estado, la evidencia, el comando de bloqueo y verificación.
El repositorio no es plano.
Git conserva los cambios, no explica por qué existen, qué hipótesis se está probando o qué trabajo queda fuera del commit.
El bucle no es progreso.
Ejecutar continuamente puede repetir el mismo enfoque, aumentar el diff y ocultar que no se cumplió ningún criterio de aceptación.
Artefactos de continuidad
Especificaciones versionadas
Define resultado, alcance, no alcance, invariantes y criterios. Los cambios materiales requieren una nueva versión o decisión, no una adaptación silenciosa por parte del ejecutor.
Plan direccionable
Descompone el trabajo en porciones verificables. Cada elemento tiene un estado, dependencia, propietario y criterios de finalización. El plan es coordinación; No reemplaza el producto.
Registro de decisiones
Registra contexto, opciones, elección, consecuencia y sustitución. Impide que una nueva sesión reabra una decisión sin nuevas pruebas.
Árbol de trabajo y rama
Aísle los cambios competitivos y haga que la sesión sea recuperable. Worktree reduce las colisiones de archivos; no controla la red, el secreto, los datos o el permiso.
Libro de pruebas
Conserva pruebas, registros, capturas de pantalla, digests y límites vinculados al subject. Sin vinculación, la siguiente sesión puede depender del verde de otra commit o entorno.
Traspaso
Un traspaso mínimo responde:
objetivo | estado | mudou | não mudou | evidência | risco | próximo passo | retomada
un contrato de sesión
Al empezar:
- sincronizar el estado externo;
- leer especificaciones, decisiones y WIP;
- confirmar rama, árbol de trabajo, sede y subject;
- elija una porción limitada;
- declarar los controles antes de implementarlos.
Durante:
- preservar los cambios del usuario y otros agentes;
- actualizar el plan según su estado actual;
- registrar suposiciones y fallas materiales;
- limitar los intentos y la escalada;
- No promuevan la madurez a través de la proximidad.
Al cerrar:
- realizar verificación proporcional;
- describir lo que está implementado, verificado y operativo;
- registro residual y bloqueos;
- dejar comandos reproducibles;
- libere el bloqueo solo cuando exista el traspaso.
Restablecimiento de contexto, compresión y nueva sesión.
Estas estrategias resuelven diferentes problemas:
| Estrategia | ventaja | Riesgo |
|---|---|---|
| compactación | preserva la continuidad con menos tokens | resume el error y el ruido juntos |
| reinicio de contexto | ofrece lectura limpia con transferencia | pierde matices inmaterializados |
| nueva sesión especializada | separa rol e incentivo | aumenta la coordinación |
A Investigación de Anthropic sobre harnesses de larga duración describe el progreso incremental y los artefactos para atravesar ventanas. Es un diseño empírico de un proveedor y una tarea; No es un estándar universal.
El progreso debe ser observable
Mida más que el tiempo de ejecución:
- criterios satisfechos por porción;
- introdujo regresiones;
- tasa de retrabajo entre sesiones;
- los traspasos se reanudaron sin reconstrucción;
- decisiones reabiertas sin pruebas;
- costo y latencia por resultado;
- intervenciones y escaladas.
Un agente puede funcionar durante horas y producir pocos avances. Otro puede terminar antes porque encontró el gate correcta. La duración no es autonomía ni valor.
Más agentes pueden empeorar las cosas
El planificador, generador y evaluador pueden mejorar una tarea determinada y también aumentar el costo y la latencia. Un experimento publicado por Anthropic encontró esta compensación en una aplicación prolongada; FORGE requiere evaluación y ablación por tarea antes de que las capas sean obligatorias. [HARNESS31-C3]
Antes de agregar papel, pregunte:
- ¿Qué defecto reduce?
- ¿Qué autoridad tiene?
- ¿Cómo se evaluará su contribución?
- ¿Qué estado comparte?
- ¿Qué pasa cuando no estás de acuerdo?
- ¿Cuál es el costo marginal?
La orquestación sin contrato convierte el paralelismo en ruido coordinado.
Fracasos a largo plazo
| fracaso | señal | Barandilla |
|---|---|---|
| deriva del objetivo | diff crece sin criterio | especificación + gate de corte |
| pérdida de estado | repetir descubrimiento | transferencia direccionable |
| autoridad acumulada | El ejecutor cambia el criterio. | aprobador separado |
| bucle infinito | mismos intentos | presupuesto + escalada |
| viejo contexto | fuente reemplazada | validez + actualización |
| compensado verde | probando otro activo | subject digest |
Lo que este artículo prueba y lo que no prueba
Los experimentos públicos muestran que la descomposición, los artefactos y la transferencia pueden mejorar tareas largas en entornos específicos. También exponen el costo, la latencia y la dependencia del modelo. No prueban que más agentes, más contexto o ejecución sin supervisión sean siempre superiores.
FORGE describe los contratos de continuidad. Su eficacia debe verificarse por producto y riesgo.
Conclusión
El desafío de una tarea larga es no hacer hablar a un modelo. Se trata de mantener una intención, un estado, una autoridad y una evidencia coherentes cuando los modelos, las sesiones y las personas cambian.
La memoria de chat ayuda a trabajar. Los artefactos duraderos permiten que el trabajo sobreviva.
Lectura anterior: El modelo no es el sistema.. Siguiente lectura sugerida: ¿Gráfico, bucle o híbrido?.
Nota editorial y de responsabilidad
- Corte de la investigación
- Última revisión
- Correcciones registradas
- No hay correcciones registradas.
El corte anterior corresponde a los claims canónicos. Las fuentes complementarias y sus fechas de consulta se identifican en el cuerpo del artículo.
Este artículo combina fuentes citadas, análisis y experiencia profesional del autor. Los datos verificables y las afirmaciones fácticas están vinculados a sus respectivas fuentes. Las interpretaciones, hipótesis, proyecciones, recomendaciones y opiniones representan el punto de vista profesional del autor en el momento de la publicación; no constituyen hechos probados, promesas de resultados ni asesoramiento jurídico, financiero o técnico aplicable a un caso concreto. Consulte las fuentes originales y a profesionales cualificados antes de tomar decisiones.
Claims y fuentes
HARNESS31-C2
Un harness duradero debe mantener el historial de sesiones, la política de orquestación y el aislamiento de ejecución como límites explícitos, mientras que los adaptadores y complementos evitan que la elección del modelo o canal se convierta en el límite de seguridad.
Límite: Las fuentes muestran dos implementaciones, no un estándar de interoperabilidad neutral. Los permisos reales deben aplicarse y probarse de forma independiente fuera de las opciones del modelo. Este es un input de diseño source-bound; no prueba la adopción del producto, la madurez operativa, la attestation independiente, la clasificación de búsqueda, la citación de IA o el resultado.
- Anthropic — Anthropic, términos de sitio propietario
- Software YC —Software YC, MIT
- Software YC —Software YC, MIT
HARNESS31-C3
Anthropic informa que las capas de planificador, generador y evaluador mejoraron el resultado de una aplicación de larga ejecución al tiempo que aumentaron materialmente el costo y la latencia; FORGE debería requerir evaluaciones y ablación específicas de la tarea antes de que dichas capas sean obligatorias.
Límite: Este es un experimento de proveedor vinculado a un modelo, punto de referencia y tarea de aplicación seleccionados; no puede probar la superioridad universal de las capas de múltiples agentes o evaluadores. Este es un input de diseño source-bound; no prueba la adopción del producto, la madurez operativa, la attestation independiente, la clasificación de búsqueda, la citación de IA o el resultado.
- Anthropic — Anthropic, términos de sitio propietario