Habr AI: en lugar de complejos agent pipelines, los desarrolladores deberían adoptar Markdown, Git y memoria de sesión

Habr publicó un artículo con una idea simple pero contundente: la mayoría de equipos están complicando demasiado el trabajo con agentes de IA, construyendo pipelines pesados con LangChain, RAG y base de datos vectorial donde, para el desarrollo real, recordar decisiones pasadas importa más que la orquestación.

El autor compara el boom actual de pilas de agentes con la era LAMP de mediados de los 2000: la industria nuevamente se enamoró de la infraestructura y rara vez cuestiona cómo esa infraestructura realmente ayuda a resolver problemas concretos del producto.

El artículo examina un enfoque empresarial típico: un orquestador distribuye tareas a múltiples agentes, que obtienen contexto de RAG, invocan herramientas, escriben código y abren pull requests.

En la opinión del autor, tal esquema funciona razonablemente bien para automatizar tareas rutinarias como revisión de código, pruebas y linting, pero falla al mantener un horizonte de trabajo a largo plazo.

El problema no es tanto el modelo en sí, sino cómo funciona la memoria: cada nuevo ticket para un agente a menudo comienza casi desde cero, sin un historial estable de decisiones, comprensión del dominio o restricciones acumuladas del proyecto.

Entonces, la búsqueda semántica en código parece útil, pero no reemplaza el conocimiento real de por qué el equipo eligió ese camino particular en primer lugar.

Como alternativa, el autor propone un sistema casi austero basado en archivos markdown y git.

En lugar de un pipeline universal, el autor construye memoria de trabajo a partir de sesiones, roles, competencias, contextos y reglas.

Una sesión almacena niveles breves, medios y profundos de contexto, para que el trabajo posterior continúe no desde un chat vacío, sino desde decisiones documentadas.

Un rol describe no un programador abstracto, sino una especialización concreta con conocimiento de dominio: qué APIs usar, qué errores son típicos, qué restricciones existen en hardware, protocolo o proyecto.

Esto, argumenta el autor, reduce alucinaciones del modelo mejor que otra capa de envoltura alrededor de llamadas de LLM.

Se pone énfasis especial en reglas que han surgido de errores.

Si un agente una vez eliminó un archivo sin confirmación, se quedó atrapado en depuración infinita o perdió cambios sin confirmar al cambiar de rama, esto se convierte no en un nuevo servicio middleware, sino en una regla explícita para sesiones posteriores.

El autor llama a este enfoque aprendizaje a través de la reflexión: un error se convierte en un contrato, y el sistema se vuelve más robusto con el tiempo.

El artículo también incluye números prácticos: durante cuatro meses, según el autor, el enfoque se utilizó en más de 400 sesiones en 11 proyectos, incluyendo firmware, criptografía y PKI, mientras que los costos de IA para un proyecto totalizaron aproximadamente $30.

La lógica es que tokens baratos y estructuras de archivo simples a veces proporcionan más valor que plataformas multi-capa caras.

Una parte importante del artículo se centra no solo en herramientas sino también en el nivel de interacción con IA.

El autor describe una escalera de madurez: desde autocompletar y el llamado vibe-coding hasta asociación arquitectónica, donde el ingeniero define roles, contratos y límites, y el código se convierte en resultado de un proceso adecuadamente organizado.

Esto lleva a una tesis más amplia: las empresas a menudo compran la ilusión de autonomía cuando herramientas como Devin, Copilot Workspace o plataformas de agentes corporativos prometen trabajo sin un humano, pero en la práctica aún se topan con la falta de memoria del proyecto y contexto.

En este sentido, la IA debe verse no como un reemplazo para los ingenieros, sino como un exoesqueleto que amplifica especialistas y hace particularmente valiosos a aquellos que pueden convertir su experiencia en un sistema formalizado.

Para apoyar esta idea, el autor incluso hace referencia a conceptos antiguos de simbiosis humano-máquina, Design by Contract y contexto de trabajo unificado, demostrando que la metodología en sí importa más que una pila de moda.

Para el mercado, esta es otra señal de que la siguiente etapa del desarrollo de IA puede pasar de una carrera entre orquestadores a una carrera por la calidad del contexto.

Los pipelines autónomos seguirán siendo útiles para tareas rutinarias, pero en el trabajo de ingeniería compleja, los equipos que pueden almacenar historial de decisiones, formalizar experiencia de dominio y construir memoria a largo plazo alrededor de modelos ganarán, en lugar de simplemente agregar nuevas capas de infraestructura.