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:

EstadoPregunta
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:

  1. sincronizar el estado externo;
  2. leer especificaciones, decisiones y WIP;
  3. confirmar rama, árbol de trabajo, sede y subject;
  4. elija una porción limitada;
  5. 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:

EstrategiaventajaRiesgo
compactaciónpreserva la continuidad con menos tokensresume el error y el ruido juntos
reinicio de contextoofrece lectura limpia con transferenciapierde matices inmaterializados
nueva sesión especializadasepara rol e incentivoaumenta 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

fracasoseñalBarandilla
deriva del objetivodiff crece sin criterioespecificación + gate de corte
pérdida de estadorepetir descubrimientotransferencia direccionable
autoridad acumuladaEl ejecutor cambia el criterio.aprobador separado
bucle infinitomismos intentospresupuesto + escalada
viejo contextofuente reemplazadavalidez + actualización
compensado verdeprobando otro activosubject 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.

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