Memoria Persistente Local-First: De la Práctica Real a Agentes Especialistas
Inspector de código real (memctl.py + hooks.json + diarios Markdown) y simulador de ciclo de vida verificado
Rescate real:Mods_Fallout 23.585 B → 5.071 B (-78,5 %)
Presupuesto: Límite 24.000 B · Techo Always-On 20.000 tokens
1. Capas L0/L1: Mantener AGENTS.md compacto (< 12.000 B) evita el truncamiento silencioso de los 24.000 B y delega el detalle técnico a reglas modulares con trigger: model_decision.
arquitectura_memoria_l0_l3.py · persistent-memory
Capa L0 / L1
Simulador en Vivo: Ciclo de Especialización del Agente (6 Etapas)Listo
Etapa 0 / 6
AGENTS.md (Tope 24.000 B)928 B
Always-On (Tope 20.000 tok)2.082 tok
Ahorro Índice L2 (Scoped Access)88,3 %
Convergencia en Misión (Pass@1)Frío (5 turnos)
Estado Inicial: Estación Auditada
Pulsa «▶ Ejecutar Simulación» o «⏭ Paso a Paso» para observar cómo el agente pasa de cometer errores repetidos en frío a convertirse en un especialista verificado con Pass@1 y vigilancia de presupuestos.
DesarrolloCursos3.860 B · 2.082 tok · 87,0 % ahorro · 7 V
Mods_Fallout5.071 B · 3.557 tok · 88,3 % ahorro · 8 V
Mods_cyberpunk20776.525 B · 2.749 tok · 90,3 % ahorro · 14 V