# vasilopoulos-codified-context-infrastructure-ai-agents-2026-02-24

## Veille

Infraestructura de contexto codificado para agentes de IA: arquitectura de 3 niveles, memoria persistente, 283 sesiones, MCP, agentes especializados, base de código compleja

## Titre Article

Codified Context: Infrastructure for AI Agents in a Complex Codebase

## Date

2026-02-24

## URL

https://arxiv.org/html/2602.20478v1

## Keywords

contexto codificado, infraestructura de agentes de IA, memoria persistente, arquitectura de 3 niveles, constitución, agentes especializados, base de conocimiento, MCP, Model Context Protocol, Claude Code, desarrollo asistido por IA, especificaciones, mantenimiento de documentación, enrutamiento de experticia, sesiones de desarrollo, C#, sistema distribuido

## Authors

Aristidis Vasilopoulos (Chercheur indépendant, USA)

## Ton

**Perfil**: perspectiva de investigador-practicante independiente, registro académico riguroso, nivel avanzado

**Descripción**: Vasilopoulos adopta el tono de un artículo de investigación empírica, con resumen, metodología, resultados cuantitativos y limitaciones explícitas. El estilo es metódico y honesto, reconociendo sesgos (un solo desarrollador, un solo proyecto, observacional) mientras presenta datos concretos impresionantes (283 sesiones, 2.801 prompts, 16.522 turnos autónomos). El autor evita un tono evangelista y prefiere estudios de caso observacionales a afirmaciones categóricas. El vocabulario proviene de la arquitectura de software (niveles, memoria caliente/fría, enrutamiento) y de la investigación (factores de confusión, métricas cuantitativas). El público objetivo son desarrolladores que usan agentes de IA en proyectos complejos e investigadores en ingeniería de software asistida por IA.

## Pense-betes

- **Problema fundamental**: los agentes LLM carecen de memoria persistente entre sesiones. Pierden la coherencia del proyecto y repiten los mismos errores. Es el mismo problema abordado por CLAUDE.md, AGENTS.md y el Context Development Lifecycle de Patrick Debois.
- **Arquitectura de 3 niveles**:
- **Nivel 1 — Constitución (Memoria Caliente)**: un único archivo Markdown de 660 líneas, siempre cargado. Convenciones de nomenclatura, comandos de build, patrones arquitectónicos, modos de fallo conocidos, tablas de enrutamiento hacia agentes especializados.
- **Nivel 2 — Agentes especializados (Expertos de Dominio)**: 19 especificaciones de agentes (9.300 líneas). Más de la mitad del contenido consiste en hechos sobre la base de código, fórmulas, patrones y modos de fallo — no instrucciones de comportamiento.
- **Nivel 3 — Base de Conocimiento (Memoria Fría)**: 34 documentos de especificación bajo demanda (16.250 líneas) recuperados a través de un servidor MCP.
- **Métricas impresionantes**: 283 sesiones a lo largo de 70 días, 2.801 prompts humanos, 1.197 invocaciones de agentes, 16.522 turnos autónomos. La infraestructura de contexto representa el 24,2% de la documentación total.
- **Patrón de sesión**: 87% ad-hoc con agentes especialistas opcionales, 13% estructurado (plan-execute-review). Más del 80% de los prompts tienen menos de 100 palabras — el contexto precargado reduce la necesidad de explicaciones.
- **Agentes más invocados**: revisor de código (154 invocaciones), network-protocol-designer (85). Muestra que los casos de uso principales son el control de calidad y la corrección específica del dominio.
- **4 estudios de caso**: 1. Sistema de respaldo: especificación de 283 líneas referenciada en 74 sesiones → cero errores de corrupción 2. Sincronización de interfaz: documentación de patrones descubiertos manualmente → éxito al primer intento en la función siguiente 3. Sistema de drops: creación de especificación antes de la refactorización → aceleración de decenas de interacciones posteriores 4. RNG determinista: agente de 915 líneas con teoría de determinismo → identificación de 3 errores sutiles tras 5 intentos fallidos
- **6 directrices para practicantes**: 1. Una constitución básica ofrece mejoras sustanciales desde el día 1 2. Los agentes de planificación deben hacer emerger automáticamente las especificaciones y especialistas necesarios 3. Las tablas de disparo (trigger tables) codifican el enrutamiento de experticia 4. Las explicaciones repetidas señalan la necesidad de crear una especificación 5. La creación de agentes especializados desbloquea sesiones estancadas 6. Las especificaciones obsoletas inducen activamente a error (principal modo de fallo)
- **Costo de mantenimiento**: ~5 min por sesión afectada + revisión quincenal de 30-45 min = 1-2h/semana
- **Conocimiento que se compone (compounding)**: cada subsistema documentado acelera no solo sus propias modificaciones futuras, sino también toda función adyacente que dependa de él. Conecta con el concepto de "Context Flywheel" de Patrick Debois.
- **Fuerte vínculo con el corpus de veille**: este artículo es la versión empírica y cuantificada de lo que describen Debois (CDLC, Context Flywheel), las skills de Anthropic, CLAUDE.md y el enfoque spec-driven. Posiblemente el artículo más rico en datos sobre el tema.

## RésuméDe400mots

Aristidis Vasilopoulos presenta una infraestructura de **contexto codificado** desarrollada mientras construía un sistema distribuido en C# de 108.000 líneas, abordando un problema fundamental: los agentes LLM carecen de memoria persistente entre sesiones, perdiendo la coherencia del proyecto y repitiendo errores.

La arquitectura se organiza en **tres niveles**. El Nivel 1 (Constitución) es un único archivo Markdown de 660 líneas, siempre cargado en memoria, que codifica convenciones, patrones, modos de fallo y tablas de enrutamiento hacia agentes especializados. El Nivel 2 comprende 19 agentes especializados (9.300 líneas) que funcionan como mecanismos de preparación de dominio (domain-priming) — más de la mitad de su contenido consiste en hechos sobre la base de código en lugar de instrucciones de comportamiento. El Nivel 3 es una base de conocimiento de 34 documentos (16.250 líneas) recuperados bajo demanda mediante un servidor **MCP** (Model Context Protocol).

La evaluación cuantitativa cubre **283 sesiones** a lo largo de 70 días, 2.801 prompts humanos que generan 1.197 invocaciones de agentes y 16.522 turnos autónomos. La infraestructura de contexto representa el 24,2% de la documentación total. Las sesiones son 87% ad-hoc y 13% estructuradas (plan-execute-review). Más del 80% de los prompts tienen menos de 100 palabras, lo que demuestra que el contexto precargado reduce considerablemente la necesidad de explicaciones.

Cuatro **estudios de caso observacionales** ilustran el valor del sistema. Una especificación de respaldo de 283 líneas, referenciada en 74 sesiones, produjo cero errores de corrupción. La documentación de patrones de sincronización de interfaz permitió el éxito al primer intento en la función siguiente. La creación de una especificación antes de una refactorización del sistema de drops aceleró decenas de interacciones posteriores. Un agente de red de 915 líneas identificó tres errores de sincronización sutiles que habían resistido cinco intentos previos.

El autor propone **seis directrices**: una constitución básica ofrece beneficios inmediatos; los agentes de planificación deben hacer emerger automáticamente las especificaciones necesarias; las tablas de enrutamiento reemplazan la memoria humana; las explicaciones repetidas señalan la necesidad de crear una especificación; los agentes especializados desbloquean sesiones estancadas; y las especificaciones obsoletas constituyen el principal modo de fallo.

El costo de mantenimiento se estima en 1-2 horas por semana. El artículo demuestra que el conocimiento documentado **se compone (compounds)**: cada subsistema documentado acelera tanto sus propias modificaciones futuras como toda función adyacente que dependa de él. El autor reconoce limitaciones (un solo desarrollador, observacional) pero ofrece una de las evaluaciones cuantitativas más detalladas del desarrollo asistido por agentes de IA en un proyecto real y complejo.

## GrapheDeConnaissance

- Aristidis Vasilopoulos —a_créé→ infrastructure contexte codifié (METHODOLOGIE, 0.98)
- infrastructure contexte codifié —utilise→ Claude Code (TECHNOLOGIE, 0.97)
- infrastructure contexte codifié —utilise→ Model Context Protocol (TECHNOLOGIE, 0.97)
- conventions, patterns, tables routage —fait_partie_de→ Tier 1 Constitution (CONCEPT, 0.96)
- 19 spécifications domain experts —fait_partie_de→ Tier 2 Agents spécialisés (CONCEPT, 0.96)
- Tier 3 Knowledge Base —utilise→ serveur MCP (TECHNOLOGIE, 0.95)
- infrastructure contexte codifié —améliore→ cohérence agents IA entre sessions (CONCEPT, 0.95)
- specs obsolètes —réduit→ qualité output agents IA (CONCEPT, 0.93)
- connaissance documentée —améliore→ productivité développement agentique (CONCEPT, 0.92)
- infrastructure contexte codifié —est_basé_sur→ architecture 3 tiers hot/warm/cold (CONCEPT, 0.95)
- Aristidis Vasilopoulos —affirme_que→ constitution basique améliore output dès jour 1 (AFFIRMATION, 0.94)
- Tier 2 Agents spécialisés —fait_partie_de→ infrastructure contexte codifié (METHODOLOGIE, 0.96)

---
Canonical: https://www.thekb.eu/es/fiches/vasilopoulos-codified-context-infrastructure-ai-agents-2026-02-24/