Más allá del historial: contexto por diseño

Pides a un agente de IA que continúe un trabajo. Detrás de esa petición sencilla hay una pila creciente de mensajes, definiciones de herramientas, resultados de búsqueda, archivos y decisiones. ¿Cuáles debería ver el modelo a continuación? En NanthAI llevamos meses desarrollando nuestro sistema en torno a esa pregunta.

También publicado en [9][10].

Pi y su empresa matriz, Earendil, están aportando ahora nuevos esfuerzos de ingeniería a este problema mediante el descubrimiento de MCP y Codemode. Sus artículos recientes son una contribución bienvenida a una dirección que llevamos tiempo incorporando a NanthAI.[1][2]

Aquellos dos artículos eran estudios de caso técnicos detallados. Aquí retomamos sus ideas centrales y usamos el trabajo reciente de Pi para explorar la siguiente capa. El punto de partida es sencillo: un agente debería poder acceder a mucha más información y capacidad de la que necesita llevar en cada prompt.

Nuestros artículos de mayo establecieron las bases. Esta continuación examina el enfoque de Pi junto a ellas.

Esta continuación conecta esas ideas: qué entra antes de ejecutar las herramientas, qué llega al modelo durante la ejecución y qué sigue siendo útil después.

La conversación crece. Y también lo que arrastra.

Una app de chat sencilla suele enviar toda la conversación acumulada con cada mensaje nuevo. Añade herramientas y sus resultados pasan a formar parte de ese historial. Añade integraciones y puede que un catálogo completo de herramientas acompañe cada solicitud. Tanto la capacidad como el historial hacen crecer el prompt.

También publicado en [10].

El enfoque de referencia vuelve a enviar el historial acumulado. NanthAI prepara el contexto a partir de la conversación, las memorias y las evidencias recuperables.

Un historial tiene un propósito claro: permitir que una persona siga la conversación. Una solicitud al modelo tiene otro: darle la información que necesita para actuar ahora. Estas vistas se solapan, pero no tienen por qué ser idénticas. El usuario puede conservar un historial legible mientras el entorno de ejecución prepara un contexto de trabajo más centrado.

NanthAI separa la conversación legible de las evidencias y del estado de ejecución que hay detrás. Los artefactos en bruto conservan los resultados de las herramientas. Las memorias compactas transportan información útil con referencias a sus fuentes. El ensamblado del contexto selecciona el material adecuado para la siguiente solicitud.

También publicado en [10].

Las ventanas de contexto más grandes y la caché de prompts son útiles junto con esta arquitectura. Una ventana más grande aporta capacidad. La caché puede reducir el coste de los prefijos repetidos. El ensamblado del contexto decide, antes que nada, qué merece ocupar esa capacidad. Es una decisión de diseño de la información que sigue importando a medida que los modelos ganan capacidad.

Dale al agente una vía de entrada.

También publicado en [9].

Una skill es un paquete de conocimiento sobre un flujo de trabajo que se puede descubrir. Su descripción breve ayuda al modelo a reconocer cuándo usarla. Sus instrucciones completas explican cómo realizar el trabajo. Una herramienta es una operación ejecutable: buscar, leer, calcular, crear o actualizar. Una skill puede necesitar varias herramientas y varias skills pueden compartir el mismo perfil de herramientas.

En NanthAI, cargar una skill incorpora instrucciones de trabajo y activa los perfiles de herramientas que requiere. La skill conecta la tarea tanto con la guía como con las capacidades necesarias para llevarla a cabo.

Imagina una solicitud de un informe de investigación. El catálogo da al agente suficiente información para descubrir la skill adecuada. Cargarla incorpora el flujo de investigación y las capacidades que requiere. Si más adelante el trabajo necesita otra capacidad, otra skill puede ampliar el conjunto de herramientas activas. El modelo empieza con una forma de encontrar lo que necesita.

NanthAI usa skills para activar instrucciones y perfiles de herramientas. Pi añade el descubrimiento de herramientas MCP individuales junto con sus skills.

Pi aborda el descubrimiento de MCP mediante descripciones compactas de servidores, búsqueda de herramientas e inspección. El agente descubre declaraciones individuales y puede usarlas mediante Codemode o activar herramientas para llamadas directas. Pi también admite skills con instrucciones que se cargan bajo demanda.[3][5]

Esto hace que la comparación sea más interesante que limitarse a preguntar quién carga las herramientas solo cuando hacen falta. NanthAI vincula explícitamente el conocimiento del flujo de trabajo con grupos de herramientas. El descubrimiento de MCP de Pi permite al agente una selección más precisa entre herramientas individuales. Ambos separan saber que una capacidad existe de cargar todos sus detalles.

También publicado en [9].

Una «memoria de herramienta» debe conducir a sus evidencias.

También publicado en [10].

Un artefacto de herramienta es el registro de ejecución: qué se solicitó y qué se obtuvo, incluido un archivo o un error. Una memoria de herramienta es una representación más pequeña de evidencias útiles de ese registro. Lleva un enlace a su fuente. El ensamblado del contexto elige qué mensajes, memorias, referencias y detalles exactos deben entrar en la siguiente generación.

El historial, los artefactos, las memorias y el contexto ensamblado cumplen funciones distintas. Las referencias a las fuentes los conectan.

Supongamos que una herramienta produce un CSV y el agente explica el resultado. En el siguiente turno, puede que el modelo solo necesite la conclusión y una referencia a ese archivo. Más tarde, el usuario pide las filas exactas en las que se basa una cifra. Una memoria compacta da al sistema una vía para volver al artefacto original. El resumen es útil porque las evidencias siguen siendo recuperables.

La distinción también ayuda con el paso del tiempo. La disponibilidad del calendario puede quedar desactualizada enseguida; la identidad de un archivo generado puede seguir siendo útil mucho más tiempo. Por eso las memorias de herramientas incluyen información sobre su vigencia y procedencia. El ensamblador puede distinguir las evidencias actuales de una observación anterior, en lugar de tratar ambas como igual de fiables solo porque aparecen en el chat.

También publicado en [10].

Conserva las evidencias. Elige qué se transmite.

Una vez que se ejecutan las herramientas, el problema del contexto cambia de forma. Una búsqueda o llamada a una API puede devolver cientos de registros cuando la respuesta solo necesita unos pocos datos. Aquí, Codemode de Pi ofrece una comparación especialmente útil.

MCP ofrece a las herramientas una forma común de conectarse a los agentes. Cómo expone un agente esas herramientas al modelo es una decisión de diseño independiente. El artículo de Earendil sobre MCP y la cobertura de The New Stack concretan esa distinción: una integración puede estar disponible sin que todos los esquemas ocupen el prompt desde el principio.[1][2]

El agente escribe JavaScript que llama a herramientas, combina o filtra respuestas y emite una salida seleccionada. Los valores intermedios pueden quedarse dentro del script, de modo que el modelo no necesita recibir cada respuesta completa para avanzar en el cálculo.[4]

Pi puede reducir las respuestas intermedias dentro de una operación. NanthAI selecciona y reutiliza evidencias entre solicitudes.

También publicado en [10].

La distinción está en el punto de intervención. Codemode puede reducir los datos intermedios antes de que lleguen por primera vez al modelo. Nuestras memorias y el ensamblado dan forma a lo que se transmite a las solicitudes posteriores. Las herramientas especializadas de NanthAI ya procesan datos internamente; el bucle general de herramientas devuelve los datos que produce cada herramienta.

Son técnicas relacionadas en distintas etapas de un mismo flujo de información. La contribución de Pi nos da otro punto útil desde el que examinar ese flujo.

Por eso las llamadas en paralelo, por sí solas, tampoco reflejan el valor de Codemode. La ejecución paralela puede obtener varios resultados a la vez. El procesamiento programático puede después combinar esos resultados y emitir solo las evidencias necesarias para la respuesta. Cambia lo que recibe el modelo, además de cómo se organizan las llamadas.

Un informe. Tres decisiones sobre el contexto.

Imagina que pides a un agente que compare dos exportaciones de ventas y explique qué cuentas cambiaron más. El informe final necesita nombres de cuentas, diferencias significativas y evidencias de apoyo. El flujo de trabajo puede manejar muchas más filas de las que contiene el informe.

Antes de la ejecución, NanthAI puede cargar la skill de análisis pertinente y activar sus herramientas. Este es el problema de selección de capacidades de nuestro primer artículo. No hace falta que las instrucciones de calendario o mensajería ajenas a la tarea acompañen al análisis.

Tres decisiones sobre el contexto ilustradas con un informe. Cada columna muestra un mecanismo del enfoque indicado.

Durante la ejecución, un script de Codemode podría leer ambos conjuntos de datos mediante herramientas, unir registros por cuenta, calcular los cambios y devolver las mayores diferencias. Esto ilustra el mecanismo adicional de Pi: expresar varios pasos de procesamiento de datos en código y elegir la salida que recibe el modelo.[4]

Después, la arquitectura de contexto de NanthAI puede conservar los artefactos y llevar memorias útiles de herramientas a solicitudes posteriores. Cuando el usuario pide revisar el informe, el contexto seleccionado y las referencias a las fuentes ayudan a continuar el trabajo. Las evidencias exactas se pueden recuperar cuando la tarea lo requiere.

Con nuestra reciente actualización del entorno de ejecución local, esta división de responsabilidades ya forma parte del producto. NanthAI puede enviar trabajo a un entorno de ejecución conectado en tu Mac, incluido Pi. NanthAI ensambla el contexto pertinente de la conversación, la rama, las memorias y los artefactos; Pi combina ese contexto preparado con sus propias instrucciones de ejecución y herramientas, ejecuta el bucle del agente y realiza las llamadas a su proveedor de LLM configurado.

NanthAI prepara el contexto; Pi se ejecuta en el Mac conectado y llama a su proveedor de LLM configurado. La respuesta vuelve a la misma conversación.

Volvamos al informe de ventas: pide la comparación en NanthAI y el entorno de ejecución de Pi conectado puede realizar el análisis con el contexto que prepara NanthAI. La respuesta vuelve a la misma conversación. Cuando haces una pregunta de seguimiento, NanthAI prepara el contexto pertinente para el siguiente turno, mientras el entorno se encarga de la ejecución. Nuestra inversión en el ensamblado del contexto y las capacidades de los entornos de ejecución locales se unen en un solo flujo de trabajo.

El trabajo continúa. El contexto lo acompaña.

También publicado en [10].

Esto importa cuando las personas comparan modelos, retoman una tarea o cambian de entorno de ejecución. La preparación compartida de NanthAI reúne la rama pertinente de la conversación, los resúmenes, los mensajes recientes, las memorias y las evidencias de los artefactos. La misma preparación canónica sirve para los turnos en la nube y locales.

NanthAI prepara un contexto compartido para distintas vías de ejecución. Cada vía conserva sus propias capacidades de herramientas.

Considera dos ramas de una conversación de planificación. Una explora un presupuesto conservador; la otra desarrolla una propuesta más ambiciosa. Cada una puede generar una hoja de cálculo distinta. La siguiente solicitud debería usar el archivo y las suposiciones asociados a la rama que el usuario está continuando. El archivo más reciente de toda la conversación no es automáticamente el adecuado.

Pi también mantiene la continuidad mediante sesiones, ramas y compactación. El artículo Pi Durable de Earendil amplía su trabajo hacia la ejecución con puntos de control y la recuperación.[6] Su diseño de contexto y ejecución merece entenderse en sus propios términos.

NanthAI lleva el contexto compartido a un producto que abarca clientes, modelos y vías de ejecución, incluido el propio Pi. Un motor de ejecución puede gestionar su sesión de trabajo mientras NanthAI mantiene el registro compartido. Ese es el valor práctico de la separación que describimos en mayo: el trabajo puede continuar más allá de una única sesión de modelo.

También publicado en [10].

Construye el contexto para el siguiente paso útil.

Nuestros artículos de mayo establecieron dos principios conectados: exponer las capacidades de forma progresiva y ensamblar el historial útil de manera deliberada. El trabajo reciente de Pi aporta otra perspectiva sólida de implementación, especialmente en el descubrimiento de herramientas y el procesamiento de sus salidas.

El problema común es cuánta información debe llevar un agente para hacer un trabajo útil. Los enfoques difieren en qué seleccionan, cuándo lo seleccionan y qué parte del sistema se responsabiliza de la decisión.

Una comparación de énfasis: capacidades progresivas, resultados selectivos y continuidad a lo largo del trabajo.

Cloudflare y Anthropic también han publicado trabajos sobre la ejecución de código con herramientas.[7][8] Nos alegra la atención y la inversión en ingeniería que está recibiendo este problema. Comparar diseños en funcionamiento y aprender de las distintas decisiones de los equipos tiene un valor real.

Para NanthAI, esto da continuidad a una inversión sostenida en skills, memorias de herramientas y contexto ensamblado. Seguimos centrándonos en la experiencia que permiten esas bases: elegir los modelos que quieras, poner a tu alcance las capacidades adecuadas y mantener el trabajo útil disponible para el siguiente paso.

Pon un contexto mejor a trabajar con NanthAI

En NanthAI, estas decisiones de arquitectura se convierten en un espacio de trabajo: elige tus modelos, da forma a sus flujos de trabajo con skills, trabaja con archivos y continúa con el contexto útil a tu alcance.

Prepara un borrador con un modelo, obtén otra perspectiva y decide por dónde sigue la conversación. Explora una rama sin perder la dirección original. Incorpora el trabajo compatible de Pi o Codex de tu Mac a las mismas conversaciones que usas en tu teléfono y navegador.

Llevamos meses invirtiendo en las bases de esa experiencia. Es alentador ver que Pi, Earendil y otros equipos dedican su esfuerzo y sus ideas al mismo problema. El debate de ingeniería sobre cómo lograr un mejor contexto es cada vez más rico, y nos alegra aportar un producto en funcionamiento y las ideas que lo sustentan.

La IA que necesitas al precio que quieres

Explora NanthAI

Artículos y fuentes

1. The New Stack: One MCP server used 18,000 tokens before doing anything
2. Earendil: You Said No MCP! (29 de septiembre de 2026)
3. Pi documentation: MCP servers and tool exposure
4. Pi documentation: Codemode
5. Pi source: Skills and progressive disclosure
6. Earendil: Pi Durable (1 de octubre de 2026)
7. Cloudflare: Code Mode: the better way to use MCP
8. Anthropic: Code execution with MCP
9. NanthAI: Skills as Tool Gates (11 de mayo de 2026)
10. NanthAI: The Transcript Trap (15 de mayo de 2026)

Logotipo de Pi del kit de prensa oficial de Pi. Comparación técnica basada en el código fuente y la documentación revisados en octubre de 2026.

También publicado en LinkedIn.