Análisis en Habr: los agentes de IA gastan tokens antes de la primera línea de código; pueden ayudar 5 patrones

El gasto de tokens de los agentes de IA en una base de código grande crece bastante más rápido que el volumen de código que escriben. Buena parte del presupuesto se va antes de la primera línea: en buscar archivos, leer y analizar la arquitectura. Es la tesis del autor de un reciente análisis en Habr, que propone cinco patrones universales de ahorro. El anuncio RSS solo publica la introducción. Los patrones se detallan en el artículo completo, así que a continuación se recoge lo que declara el anuncio y se añade contexto sobre el sector.

Dónde se queman los tokens

Hace tiempo que los agentes van más allá de generar funciones sueltas. El autor enumera lo que hacen en proyectos reales: exploran el repositorio, buscan los archivos necesarios, analizan la arquitectura, ejecutan pruebas y verifican el resultado. Las tareas son corrientes. Añadir una página al frontend, crear un endpoint, cambiar el esquema de la base de datos, resolver un problema con una cola de mensajes, arreglar un data pipeline, actualizar el CI/CD, conectar un servicio nuevo.

En todos los casos, el agente empieza por explorar. Lee archivos, recibe resultados de búsqueda y listados de directorios, revisa los logs de las pruebas. Todo eso entra en la ventana de contexto y se reenvía al modelo en cada paso posterior. Cuanto mayor es el repositorio, más larga es la exploración, y el coste de la tarea deja de depender del tamaño del diff final.

Qué declara el anuncio

• Tema: ahorro de tokens de los agentes de IA al trabajar con una base de código.
• Formato: cinco patrones universales, no ligados a un stack concreto.
• Alcance: frontend, backend, esquemas de bases de datos, colas, data pipelines, CI/CD, servicios nuevos.
• Tesis principal: el gasto de tokens crece más rápido que el volumen de código escrito.
• Observación clave: buena parte de los tokens se gasta antes de escribir la primera línea.

En el fragmento disponible no hay cifras concretas de ahorro. No se puede evaluar la eficacia de los patrones a partir del anuncio.

Qué técnicas suelen funcionar

Estas son prácticas habituales en el sector que los ingenieros aplican al mismo problema. No son un resumen del artículo, y se desconoce si coinciden con los cinco patrones del autor.

• Primero buscar, después leer. Localizar símbolos y rutas con búsquedas precisas y abrir rangos de líneas, no archivos enteros.
• Un mapa compacto del repositorio. Una descripción breve de la estructura y de los módulos clave, para que el agente no tenga que averiguarla de nuevo en cada sesión.
• Un archivo con las reglas del proyecto. Comandos de compilación y de pruebas, convenciones y zonas prohibidas, definidos una sola vez.
• Filtrado de la salida. Al agente le hacen falta las pruebas fallidas y el stack trace del error, no el log completo de la ejecución.
• Aislamiento de la exploración. La investigación pesada se traslada a una sesión aparte o a un subagente, y al contexto principal solo vuelve un resumen breve.
• Caché del prefijo estable del prompt, si el proveedor lo admite.

Qué deberían hacer los equipos

Empiecen por medir. Sin desglosar los tokens por fases (exploración, ediciones, verificación), cualquier optimización se hace a ciegas. Registren el gasto por tarea y compárenlo con el tamaño del diff: si la exploración resulta sistemáticamente más cara que escribir el código, el problema está en la navegación por el proyecto, no en el modelo.

Después fijen un presupuesto por tarea y comprueben dónde lo agota el agente. Normalmente son lecturas repetidas de los mismos archivos, búsquedas demasiado amplias y logs sin recortar. Estas tres fuentes se corrigen a bajo coste, sin cambiar de modelo ni de herramientas.

Conviene leer el texto completo en Habr con una pregunta concreta: cuáles de los cinco patrones se pueden probar en su repositorio en un solo día y cómo medir el resultado. Si el autor aporta mediciones de antes y después, valen más que las propias recomendaciones.