Microsoft limpia el chat de los agentes de IA y logra hasta un 66% más de rendimiento con el mismo presupuesto

Los agentes de IA autónomos encuentran peores soluciones a medida que se acumula su propia conversación. Esa es la conclusión de los investigadores de Microsoft, que han bautizado el efecto como «cuencas de ideas» (idea basins): zonas locales del espacio de soluciones de las que un agente con un contexto largo ya no consigue salir. El método que proponen, Fork-and-Flush, borra el historial del chat, pero conserva el espacio de trabajo. Con el mismo presupuesto de cómputo, ofrece resultados hasta un 66% mejores.

Cómo se queda atrapado un agente en una cuenca

Un agente que trabaja mucho tiempo en una tarea va llenando su contexto, paso a paso, de hipótesis, intentos fallidos y conclusiones intermedias. Todo eso se convierte en la condición del siguiente paso. El modelo sigue desarrollando la dirección que ya ha elegido, aunque lleve a un callejón sin salida, y cada nueva intervención refuerza esa trayectoria. Los investigadores lo describen como la caída en una zona local de la que no hay salida con el curso normal del trabajo.

Aumentar el presupuesto no resuelve el problema. Si el agente da vueltas alrededor de una misma idea, los tokens y pasos adicionales solo profundizan la cuenca. Por eso importa la forma de gastar el cómputo.

Fork-and-Flush: ramificar y borrar

El método consta de dos operaciones. Fork crea ramas del proceso y Flush borra el historial del chat. El detalle clave es que solo se borra la conversación, mientras que el espacio de trabajo queda intacto. Todo lo que el agente ya ha hecho con sus propias manos se conserva: archivos, código, artefactos. El modelo recibe un contexto limpio y examina el entorno de trabajo ya preparado, sin la carga de sus razonamientos anteriores.

Así, el agente vuelve a la tarea sin los prejuicios acumulados, pero sin perder el progreso material. De ahí su eficiencia: no hace falta reiniciar el trabajo desde cero.

Parámetros clave según el estudio:

• Problema: «cuencas de ideas» provocadas por el crecimiento del contexto del chat;
• Qué se borra: el historial de la conversación del agente;
• Qué se conserva: el espacio de trabajo;
• Presupuesto: el mismo volumen de cómputo que en el enfoque base;
• Resultado: mejora de hasta el 66%.

La expresión «hasta el 66%» indica un máximo, no un promedio. La publicación original de The Decoder no incluye un desglose por tareas, modelos y benchmarks, así que es pronto para juzgar cuál es la ganancia habitual. Habrá que consultar el trabajo de Microsoft.

Qué probar en tus propios agentes

La idea es aplicable mucho más allá del laboratorio de investigación, sobre todo en programación, donde los agentes trabajan durante horas. Si los resultados se confirman en la práctica, de ellos se derivan varios pasos.

Primero: guardar el estado en el espacio de trabajo y no en el diálogo. Todo lo importante (código, notas, resultados de las comprobaciones) debe estar en archivos y en el repositorio, de donde se pueda leer después de reiniciar el contexto.

Segundo: no alargar una sola sesión indefinidamente. Si el agente lleva tiempo sin avanzar, resulta más barato limpiar el contexto y darle una mirada nueva sobre el estado actual del proyecto que seguir añadiendo tokens al mismo diálogo.

Tercero: lanzar varias ramas con contexto limpio en lugar de una sola larga. El presupuesto de cómputo es el mismo, pero aumentan los intentos de encontrar otra «cuenca».

El método choca con la suposición habitual de que el contexto acumulado siempre ayuda. En los sistemas agénticos, al parecer, conviene tratarlo como un recurso con rendimientos decrecientes, que hay que gestionar con tanta atención como los tokens y el tiempo de ejecución.