Ensayos, artículos técnicos y reflexiones sobre sistemas soberanos.
La evaluación dirigida por agentes le dice al usuario si Neotoma encaja. El nuevo subsistema de problemas permite que el mismo agente presente un error o una mejora, intercambie mensajes con el mantenedor y observe cómo llega el cambio, todo a través de MCP, sin que un humano abra una pestaña del navegador.
El primer problema al ejecutar varios agentes es que se olvidan. La segunda es que no pueden coordinarse. Una capa de estado que resuelve primero el almacenamiento y luego agrega señalización se convierte en un sistema nervioso, no solo en memoria.
Cuando una IA capaz absorbe la mayor parte de la producción de artefactos en el centro de ejecución, la influencia humana se concentra en la base y la revisión. La coherencia deja de vivir en traspasos de pasillo y comienza a vivir en estándares explícitos, artefactos de lectura cruzada y juicios que puedes defender a gran escala.
Cuando muchos agentes escriben en una memoria, se necesitan pruebas en cada fila: quién firmó, qué se les permitió hacer y ningún secreto compartido con el portador. Neotoma integra AAuth para que cada agente firme con su propia clave y escriba mediante admisión con alcance de subvención.
Sobre el rol de PM, la IA y la extraña decisión de definir su trabajo en torno a la habilidad que acaba de convertirse en mercancía.
Hace doce años escribí una autopsia para Plancast. Al leerlo de nuevo ahora, los modos de falla no tenían que ver realmente con la mecánica del producto; se trataba de agentes personales de IA faltantes, un sustrato adecuado para escribir y una malla soberana entre ellos. Los tres existen ahora, y la misión original se vuelve manejable de una manera que la era de la alimentación nunca pudo hacerlo.
OpenClaw almacena memoria en archivos de rebajas. Neotoma v0.4.3 se conecta de forma nativa como una capa de estado estructurada debajo, brindando a los agentes OpenClaw procedencia, resolución de entidades e historial de versiones sin reemplazar al agente.
Tres plataformas de agentes de IA independientes por valor de miles de millones convergieron en archivos de texto sin formato para la memoria. La convergencia valida el problema. Los modos de falla que comparten definen lo que viene después.
La mayoría de los equipos incorporan la memoria del agente a cualquier base de datos que ya tengan. Funciona hasta que dos agentes escriben a la misma tienda. Luego, una mala escritura se propaga a la velocidad de la máquina, lo que desencadena acciones posteriores antes de que cualquier humano pueda intervenir. La industria se dirige hacia una crisis de confianza que la optimización de la recuperación no solucionará.
Sarah Wooders sostiene que la memoria es el arnés. Tiene razón sobre la gestión del contexto. Está equivocada al decir que el contexto es todo el problema.
BEAM prueba la recuperación con 10 millones de tokens. La integridad del estado se degrada a 500K. Los dos modos de falla se activan en diferentes escalas y nadie compara el anterior.
Las métricas que impulsan la adopción en la memoria de IA son casi todas métricas de recuperación. Es necesaria una buena recuperación. Ningún punto de referencia ampliamente utilizado prueba qué sucede con los datos almacenados después de que los agentes escriben en ellos.