Resumen de cartas: ¿puede un modelo acortar las reglas que carga cada sesión de un agente?

Una carta de producto es un registro de decisiones tomadas: qué hace un producto, qué se descartó y por qué. En lugar de cargar el registro completo al inicio de cada sesión (de 43K a 112K caracteres en las que probamos), los agentes de programación cargan un resumen corto. Si el resumen pierde una condición o una excepción, el agente que lo sigue rompe una regla creyendo que la cumple. Probamos tres maneras de escribir ese resumen sobretres cartas reales.

Corrida del 27 de octubre de 2026 · 3 cartas · 24 resúmenes · planes de tarifa fija, sin gasto medido

Las cartas

• Carta de tienda en línea
  134 decisiones tomadas, 11 opciones descartadas
• Carta de operaciones de plataforma
  84 decisiones tomadas, 13 opciones descartadas
• Carta de cuantificación de obra
  33 decisiones tomadas, 1 opción descartada

Ronda 1: el modelo reescribe

A cada modelo se le pidió comprimir el registro completo en un resumen de 3,000 caracteres como máximo: elegir las decisiones críticas, conservar cada condición y listar cada id descartado y propuesto.

Ronda 2: el modelo ordena, la herramienta pega

El modelo solo ordena las decisiones tomadas, de la más crítica a la menos. Luego la herramienta pega cada decisión con su redacción exacta del registro hasta llenar un presupuesto de 4,500 caracteres, y lista las opciones descartadas y propuestas por el inicio de su texto.

Ronda 3: un segundo modelo revisa el orden

Sonnet ordena como en la ronda 2. Luego Antigravity (Gemini 3.8 Flash high) lee ese resumen contra el registro completo y sugiere cambios (una decisión más crítica en lugar de una menos crítica) y marcas de obsolescencia (una línea que una decisión posterior revierte o acota). Sonnet vuelve a ordenar una vez con esa retroalimentación, y la herramienta pega textualmente, agregando una referencia a la decisión más reciente en una línea marcada solo si esa decisión existe.

Promedios sobre las 3 cartas, una corrida cada una. Una distorsión ALTA es una línea que haría que un agente rompiera una regla si la siguiera: una condición, excepción, rama o límite perdido, o un dato equivocado. Las distorsiones BAJAS son la categoría menor del juez. El puntaje del juez (0–10, más es mejor) califica cada resumen como el único contexto de la carta que recibe un agente.

Lo que encontró

• Reescribir no fue seguro a este tamaño. Cada uno de los 12 resúmenes de la ronda 1 tuvo de 1 a 6 distorsiones ALTAS y omitió de 2 a 21 decisiones que el juez calificó como críticas.
• Todos los modelos respetaron los ids: ninguno inventado y cada id descartado y propuesto listado. Solo 1 de 12 resúmenes de la ronda 1 se quedó dentro de 3,000 caracteres.
• Ordenar y pegar textualmente bajó las distorsiones ALTAS a promedios entre 0.0 y 0.7 por resumen (con un presupuesto mayor, ver abajo), frente a promedios entre 3.0 y 4.7 cuando el modelo reescribía. El juez ubicó las 3 que quedaron en las líneas acortadas de opciones descartadas, no en las decisiones pegadas: 2 listaban un descarte que una decisión posterior ya había revertido, y 1 quedó cortada a media frase.
• El costo pasó a la cobertura. Solo cupieron de 14 a 19 decisiones en el presupuesto de 4,500 caracteres, y el juez aún encontró de 8 a 13 decisiones críticas faltantes en cada resumen.
• Los 3 modelos que ordenaron quedaron a 0.7 distorsiones ALTAS, 1.3 decisiones omitidas y 0.7 puntos del juez entre sí. Con 3 corridas cada uno, esta corrida no los clasifica.
• En esta corrida, la revisión de un modelo de otra familia ayudó. Frente a Sonnet ordenando solo, las distorsiones ALTAS pasaron de 0.3 a 0.0 por resumen y las decisiones críticas omitidas de 11.0 a 8.3 (menos en 2 de 3 cartas), con el puntaje del juez en 6.3 frente a 6.0. Cada carta tomó de 2 a 3 minutos, un tiempo aceptable para un trabajo que corre solo cuando una carta cambia.

Lo que sacamos de esto

Que el modelo elija, nunca que reescriba. En esta corrida, ordenar y pegar el texto literal tuvo muchas menos distorsiones ALTAS que cualquier reescritura, y con el paso de revisión ninguna. El proceso al que apunta la corrida: Sonnet ordena, Antigravity revisa el orden, Sonnet reordena y la herramienta pega textualmente. Aún deja fuera decisiones críticas, que necesitan otra vía hacia el agente, como consultarlas cuando edita los archivos que gobiernan, y los descartes que una decisión posterior revirtió deben marcarse.