Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarHabr AI→ original

El agente Skein borra las etapas antiguas del contexto: 97% de ejecuciones exitosas, pero más caro que OpenCode

Los agentes de programación como Claude Code acumulan toda la conversación con el modelo, y una cinta larga encarece el proceso y dispersa la atención. El agente Skein borra las etapas completadas y deja un resumen breve. En 13 tareas de Terminal Bench (65 ejecuciones) resolvió 63 casos, es decir, el 97%, mientras que OpenCode resolvió 65. Sin embargo, Skein es más caro: 0,70 frente a 0,47 ₽. Borrar el contexto compensa en tareas largas de investigación, mientras que en las cortas gana la caché.

Procesado por IA desde Habr AI; editado por Hamidun News
El agente Skein borra las etapas antiguas del contexto: 97% de ejecuciones exitosas, pero más caro que OpenCode
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1La caché del proveedor cuesta 50 veces menos que la entrada, y borrar la cinta la rompe
Dato clave #2Skein da 14 pasos frente a los 9 de OpenCode: las transiciones también consumen tokens
Dato clave #3El modo de hipótesis redujo la nueva entrada de 34,5k a 19,6k tokens en 7 tareas

Imagine que pasa todo el día trabajando en un error y no tira ni una sola nota: sobre la mesa quedan todos los borradores, registros y conjeturas fallidas. Así funcionan, más o menos, los agentes de programación actuales, desde Claude Code hasta Cursor. El modelo invoca una herramienta, el agente ejecuta la llamada, el resultado se añade al final de la conversación y toda la cinta vuelve a enviarse al modelo.

El contexto solo crece. Para la caché esto resulta cómodo, pero una cinta larga tiene dos problemas conocidos: la ventana del modelo es finita y la atención hacia la mitad de un texto largo se debilita. El desarrollador de Skein, en Habr, intentó evitarlo de otra forma: no recortar el principio ni resumir todo, sino borrar bloques enteros de trabajo ya terminados.

El resultado es ambiguo: de 65 ejecuciones de prueba, el agente resolvió 63 (97%), mientras que el competidor OpenCode, con una cinta normal, resolvió las 65 y salió más barato.

Cómo funciona el «fuelle»

En Skein, cada paso se registra en un diario: el mensaje del modelo, la llamada a la herramienta y el resultado. Antes de consultar al modelo, una función específica construye la cinta a partir del diario, y parte de los eventos no entra en ella. Por eso la longitud del contexto sube y baja. El autor compara esto con un fuelle, mientras que en un agente normal solo se estira.

La primera variante funciona mediante estados, es decir, fases de desarrollo: Patch (corregir el error), Verification (verificar la corrección), Research (investigar), Construction (escribir desde cero) y End. Cada estado es un pequeño agente con su propio prompt, objetivo y criterio de parada. Cuando el modelo decide que el objetivo está cumplido, la cinta del estado se elimina.

Quedan dos mensajes de servicio, «Start state» y «Finish state», y el resumen que el propio modelo redactó. Las transiciones entre estados siguen una tabla fija mediante la herramienta move. Por ejemplo, después de Patch se puede pasar a Verification o a Research, y tras una verificación fallida volver a Patch.

Las herramientas también cambian según la fase: antes de empezar solo está disponible move, y dentro del estado, solo las de trabajo.

La segunda variante se basa en hipótesis. El autor se apoyó en las ideas del lógico Charles Peirce sobre la abducción, es decir, la construcción de una explicación para un hecho observado. El modelo formula por sí mismo una hipótesis y un criterio de parada, la comprueba con herramientas y devuelve un JSON con observaciones, un resumen breve y un veredicto: confirmada, refutada o descartada por el límite de pasos. Después, la cinta de la hipótesis se borra. Las hipótesis pueden anidarse entre sí (identificadores como H1.2.3). Para leer los resultados guardados existen las herramientas recall y search, y a la cinta no entran más de 8K caracteres por vez.

Qué mostraron las pruebas

El autor tomó 13 tareas de Terminal Bench, un conjunto de ejercicios para agentes de terminal (recuperación con git, expresiones regulares, OpenSSL, corrección de una vulnerabilidad en bottle.py, un error en el recolector de basura de OCaml, COBOL y otras), y ejecutó cada una 5 veces. Se usó un único modelo, DeepSeek V4.1 Flash, y como rival se eligió la primera versión de OpenCode, con su cinta monótona clásica.

Con red activada, Skein resolvió con estados 63 de 65 ejecuciones, mientras que OpenCode resolvió las 65. Sin red, el resultado de Skein fue 60 de 60, y OpenCode resolvió 58 de 60. En cuanto a calidad, el autor considera que la diferencia es imperceptible. Pero en precio Skein pierde. Tiene en promedio 14 pasos frente a 9, 22,1k frente a 10,4k tokens de texto nuevo y una proporción de caché del 86,7% frente al 95,3%. El coste fue de unos 0,70 ₽ frente a 0,47 ₽ con red, y de 1,00 ₽ frente a 0,44 ₽ sin ella.

La causa está en la economía de los tokens. En el proveedor del autor, la caché cuesta 50 veces menos que la entrada normal. La caché funciona solo si el texto coincide letra por letra. La cinta monótona se almacena en caché casi por completo, pero cuando Skein borra un fragmento del medio, el texto posterior cambia y la caché deja de funcionar ahí. A ello se suman las transiciones y la apertura de hipótesis, que son pasos independientes. El autor señala que, en total, Skein puede usar menos tokens, pero la caché sigue dando la victoria a OpenCode.

Los dos modos de Skein se compararon entre sí en 7 tareas. Los estados resolvieron 35 de 35 con red, y las hipótesis, 34 de 35. Las hipótesis gastaron menos entrada nueva (19,6k frente a 34,5k tokens), pero dieron más pasos (20 frente a 17). La ventaja en dinero dependió de las condiciones: con red, las hipótesis costaron 1,88 ₽ frente a 2,42 ₽; sin red, ocurrió lo contrario, 1,98 ₽ frente a 1,61 ₽.

Limitaciones y conclusión práctica

Conviene leer estas conclusiones con cautela. La prueba es pequeña, el modelo es uno solo, y el proveedor lo ejecuta a través de distintos subcontratistas con distintas cuantizaciones, incluida la de 4 bits, lo que añade ruido al razonamiento. Las tareas son en su mayoría demasiado fáciles y, según el autor, la densidad de resultados no permite evaluar la eficacia del enfoque. Todos los fallos estuvieron relacionados con el límite de pasos. El agente observador, que debería vigilar los estados demasiado largos, todavía no está listo.

Para quienes construyen sus propios agentes, hay tres aprendizajes. Primero, conviene construir el contexto a partir de un diario de eventos, en lugar de simplemente añadir texto, ya que así es más fácil experimentar con proyecciones. Segundo, el borrado de la cinta debe calcularse junto con el precio de la caché: en tareas cortas pierde. Tercero, el autor ve una aplicación para Skein, sobre todo en el modo de hipótesis, en tareas de investigación con razonamientos largos, donde los pasos adicionales se amortizarían. Por ahora, esta es su propia valoración y no un resultado verificado.

Historia

Preguntas frecuentes sobre la noticia

Cómo funciona el «fuelle»?

En Skein, cada paso se registra en un diario: el mensaje del modelo, la llamada a la herramienta y el resultado. Antes de consultar al modelo, una función específica construye la cinta a partir del diario, y parte de los eventos no entra en ella. Por eso la longitud del contexto sube y baja. El autor compara esto con un fuelle, mientras que en un agente normal solo se estira.

¿Qué se sabe sobre Qué mostraron las pruebas?

El autor tomó 13 tareas de Terminal Bench, un conjunto de ejercicios para agentes de terminal (recuperación con git, expresiones regulares, OpenSSL, corrección de una vulnerabilidad en bottle.py, un error en el recolector de basura de OCaml, COBOL y otras), y ejecutó cada una 5 veces. Se usó un único modelo, DeepSeek V4.1 Flash, y como rival se eligió la primera versión de OpenCode, con su cinta monótona clásica.

¿Qué se sabe sobre Limitaciones y conclusión práctica?

Conviene leer estas conclusiones con cautela. La prueba es pequeña, el modelo es uno solo, y el proveedor lo ejecuta a través de distintos subcontratistas con distintas cuantizaciones, incluida la de 4 bits, lo que añade ruido al razonamiento. Las tareas son en su mayoría demasiado fáciles y, según el autor, la densidad de resultados no permite evaluar la eficacia del enfoque. Todos los fallos estuvieron relacionados con el límite de pasos.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Hands-On AI Engineering · Hamidun Academy

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.

Start 72h Free Trial →Vibe-Coding Intensive
¿Qué te parece?
Cargando comentarios…