Anthropic muestra cómo dar a un agente de IA memoria del proyecto sin inflar el contexto
Un agente de IA sin memoria empieza el proyecto desde cero cada día, como un desarrollador con amnesia. Lamis Mukta, de Anthropic, mostró el camino de Claude Code: de un único archivo CLAUDE.md con reglas a un directorio de notas en markdown con un índice. El agente lee solo el índice y abre las notas que necesita, así que el contexto —todo lo que el modelo ve en una llamada— no se infla. Conviene fiarse de la memoria con reservas: cada registro necesita fuente, ámbito y estado.
Procesado por IA desde Habr AI; editado por Hamidun News
Imagine que un desarrollador excelente se incorpora al equipo. El primer día entiende el proyecto, encuentra el servicio que buscaba, descubre por qué fallan los tests y cierra un montón de tickets. El segundo día resulta que tiene amnesia: vuelve a estudiar el mismo repositorio y tropieza con las mismas piedras de ayer.
Más o menos así funciona por defecto un agente de IA. El conocimiento general está integrado en los pesos del modelo, pero la estructura de su proyecto, las reglas acordadas en el equipo y las razones por las que rechazó tres veces la misma solución no las conoce de serie. La experiencia no se acumula por sí sola entre ejecuciones.
Lamis Mukta, de Anthropic, explicó cómo lo resuelve Claude Code: el agente guarda la memoria del proyecto en archivos y carga en el contexto, es decir, en los datos que el modelo ve en una llamada concreta, solo lo necesario. Su intervención se analizó en la décima parte del ciclo «Mételo en el arnés» («Затащи меня в харнесс») en Habr.
De un solo archivo a un directorio de notas
Primero, la autora recomienda distinguir cuatro cosas. La ventana de contexto es lo que el modelo ve ahora mismo. La transcripción es el registro de mensajes y acciones de la sesión. El estado de ejecución guarda qué paso está en curso y qué está confirmado. La memoria es información seleccionada para tareas futuras. No sustituye al registro ni al estado actual del sistema.
En Claude Code la memoria evolucionó por etapas, aunque la autora aclara que no es una escalera obligatoria. La opción más simple es un archivo CLAUDE.md con el comando para lanzar los tests, la ubicación de los servicios y los acuerdos del equipo. Es fácil de revisar a simple vista y de guardar en git. Pero el archivo se carga entero en el contexto de cada sesión. Si se escribe ahí todo sin criterio, el resultado es una instrucción «del tamaño de un rompehielos atómico», y hasta corregir una errata gastará la atención del agente en texto innecesario.
El siguiente paso es una herramienta de memoria. El modelo dispone de las funciones memory_read, memory_write y memory_edit, y decide por sí mismo cuándo llamarlas. Dónde se almacena todo lo determina la implementación: una carpeta con markdown, una base de datos u otra cosa. Por eso se puede limitar lo que el agente lee y escribe, y verificar los registros antes de guardarlos. La edición es puntual, de modo que los datos vecinos no se pierden.
Después vienen los skills. La memoria guarda hechos («los tests se lanzan con el comando X»), mientras que un skill guarda un procedimiento («cómo publicar una versión»). Físicamente es una carpeta con un archivo SKILL.md; al lado pueden estar plantillas, ejemplos y scripts. El agente ve de forma permanente solo la lista de descripciones y carga la instrucción completa cuando la tarea coincide. Por eso se pueden tener decenas de skills sin un gran coste de contexto. Un script, donde se necesita precisión, es más fiable que una petición en texto: se ejecuta igual cada vez. Pero se ejecuta en su máquina y con sus permisos, así que los skills ajenos hay que leerlos como código ajeno.
Cómo funcionan la escritura y la lectura
El esquema de la intervención es el siguiente. Durante el trabajo, el agente decide qué merece guardarse: un acuerdo del equipo, una preferencia del usuario, la causa encontrada de un bug. Crea o actualiza un archivo markdown.
Al inicio de la sesión lee un índice corto, con una línea por nota. Cuando la tarea coincide con una descripción, abre el archivo correspondiente. Si el índice no basta, busca por contenido con herramientas habituales como grep, de ahí la importancia de que los nombres de archivos y carpetas sean claros.
Conviene separar las carpetas: reglas de la organización, notas del proyecto, preferencias del usuario, conclusiones temporales. De lo contrario, el agente aplicará el acuerdo de un equipo a otro proyecto solo porque ambas notas aparecieron al buscar la palabra deploy.
Un buen registro contiene identificador, ámbito de aplicación, tipo, estado, fuente y fecha de actualización. Una nota que diga «la tabla se rompe» es inútil: dentro de una semana nadie sabrá de qué tabla se trata ni si el problema está corregido. Un registro como «al importar un DOCX con una celda vacía se reprodujo una discrepancia; antes de concluir, comprobar el código actual» da una dirección y marca con honestidad los límites del conocimiento.
La fecha por sí sola no indica que algo esté obsoleto: el comando para lanzar un test puede durar años, mientras que la versión de un servicio desplegado cambia en minutos. Por eso cada tipo de registro necesita reglas de verificación distintas. Si no, el agente informará alegremente de que todo está desplegado porque hace seis meses alguien dejó una nota así.
Leer por etapas y verificar igualmente
Supongamos que se han acumulado mil notas. Enviarlas todas en cada petición es técnicamente posible, pero se paga por procesar texto de más y al modelo le resulta más difícil encontrar lo importante entre datos vecinos. Por eso la memoria se lee por niveles: ámbito de la tarea, índice, búsqueda por palabras clave y, si hace falta, por significado, y por último solo los fragmentos necesarios. La búsqueda semántica ayuda cuando el usuario y el autor de la nota nombran lo mismo de formas distintas. La búsqueda exacta es mejor para nombres de archivos, códigos de error e identificadores. Ninguna de las dos garantiza que el registro encontrado sea correcto.
Un ejemplo de la charla: el usuario pide corregir la importación de una tabla. El agente encuentra una nota sobre la ubicación del manejador de DOCX y un antiguo defecto con la celda vacía, y luego abre el código actual y los tests. Si la nota describe una rama antigua, eso no es motivo para declarar la causa antigua como un error nuevo. La memoria acorta la búsqueda, pero no elimina la verificación.
Otra idea de la charla es dreaming: un proceso en segundo plano que revisa sesiones pasadas y ordena el conocimiento acumulado.
La conclusión práctica para quienes construyen agentes: empiece con un CLAUDE.md corto, saque los procedimientos a skills y guarde los hechos del proyecto en notas con índice, fuente y estado. Y trate siempre cada registro como una pista, no como una verdad.
- 21 nov 2026El agente Skein borra las etapas antiguas del contexto: 97% de ejecuciones exitosas, pero más caro que OpenCode
- 21 nov 2026CoreWeave debe $47.000 millones por los chips de Nvidia y pierde $709 millones en un trimestre
- 21 nov 2026El agente ClawDOS escribe y ejecuta código en un IBM PC 5160: números primos en 64 segundos
- 21 nov 2026Un desarrollador encargó a Claude instalar 900 aplicaciones y creó un limpiador gratuito para Mac
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre De un solo archivo a un directorio de notas?
Primero, la autora recomienda distinguir cuatro cosas. La ventana de contexto es lo que el modelo ve ahora mismo. La transcripción es el registro de mensajes y acciones de la sesión. El estado de ejecución guarda qué paso está en curso y qué está confirmado. La memoria es información seleccionada para tareas futuras. No sustituye al registro ni al estado actual del sistema. En Claude Code la memoria evolucionó por etapas, aunque la autora aclara que no es una escalera obligatoria.
Cómo funcionan la escritura y la lectura?
El esquema de la intervención es el siguiente. Durante el trabajo, el agente decide qué merece guardarse: un acuerdo del equipo, una preferencia del usuario, la causa encontrada de un bug. Crea o actualiza un archivo markdown. Al inicio de la sesión lee un índice corto, con una línea por nota. Cuando la tarea coincide con una descripción, abre el archivo correspondiente.
¿Qué se sabe sobre Leer por etapas y verificar igualmente?
Supongamos que se han acumulado mil notas. Enviarlas todas en cada petición es técnicamente posible, pero se paga por procesar texto de más y al modelo le resulta más difícil encontrar lo importante entre datos vecinos. Por eso la memoria se lee por niveles: ámbito de la tarea, índice, búsqueda por palabras clave y, si hace falta, por significado, y por último solo los fragmentos necesarios. La búsqueda semántica ayuda cuando el usuario y el autor de la nota nombran lo mismo de formas distintas.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.