En la comunidad profesional de analistas y desarrolladores de IA ocurrió un evento significativo: se filtró en la red una guía interna de la empresa Anthropic, dedicada a la llamada ingeniería de bucles (loop-engineering), una metodología para construir ciclos de trabajo de agentes de IA. El analista principal, Miles Deutscher, calificó este documento como la guía más valiosa sobre inteligencia artificial que ha visto en el último año. Aunque el hecho de la filtración aún no ha sido confirmado oficialmente, el contenido del documento ya ha provocado un intenso debate.

Los cinco pilares del ciclo: desde la detección hasta la programación

Deutscher destacó cinco principios clave sobre los que se construye cada uno de estos ciclos, haciendo referencia a la publicación del ingeniero Andy Osman. El primero es la detección: el agente encuentra tareas por sí mismo a través de fallos en pruebas, tareas abiertas y commits. El segundo es el aislamiento: cada tarea recibe una rama de trabajo separada en el sistema de control de versiones.

El tercer principio es la verificación: el generador de código nunca debe evaluar su propio trabajo. El cuarto es la resiliencia: guardar el estado en el disco para que se conserve entre ejecuciones. El quinto es la programación: el sistema funciona con un temporizador, incluso mientras el usuario duerme.

Deutscher calificó la separación del generador y el evaluador como la regla más importante. Es necesario utilizar dos agentes: uno escribe el código y el segundo actúa como un juez escéptico que parte de la premisa de que el código está roto. El evaluador, mientras tanto, debe actuar: ejecutar pruebas, presionar botones, tomar capturas de pantalla. Según el analista, esto es lo que realmente elimina los malos resultados.

Riesgos y la estrategia «80/20»

Deutscher también enumeró los riesgos de este enfoque. Entre ellos se encuentran la «deuda de verificación», la pérdida de comprensión de la propia base de código, el crecimiento explosivo de los costos en tokens y la «capitulación cognitiva»: cuando una persona deja de pensar, confiando en que «el ciclo se encargará por sí mismo».

Para controlar los costos, el analista propuso un enfoque de «barra» basado en el principio 80/20. Para las tareas más complejas que requieren el máximo nivel de inteligencia, vale la pena usar modelos costosos como Opus, mientras que el 80% restante del trabajo rutinario debe realizarse con modelos de código abierto económicos dentro del conjunto de herramientas de Claude Code. Como ejemplo para la ejecución de código, mencionó el modelo GLM-5.2.

El archivo de configuración personal de Karpathy

Un tema similar fue planteado por el ingeniero Khairallah al-Awadi. Según él, el desarrollador de IA Andrej Karpathy se unió a Anthropic hace cinco semanas, y un conocido de su equipo le mostró el archivo Claude.md que supuestamente utiliza en su trabajo. Al-Awadi incorporó este archivo en su configuración, y la primera respuesta del modelo fue completamente diferente. Según afirma, Claude dejó de dar respuestas genéricas y comenzó a trabajar en la misma lógica en la que piensa el propio usuario.

Mi opinión experta: Las discusiones en torno a esta guía reflejan una tendencia real: los desarrolladores están construyendo cada vez más activamente ciclos de trabajo automatizados para agentes de IA. Los temas clave siguen siendo la separación de roles entre modelos, el control de calidad y la contención de los costos en tokens. El archivo Claude.md de Karpathy es otra confirmación de que las configuraciones personalizadas se están convirtiendo en el estándar de la industria, cambiando radicalmente la calidad de la interacción con los modelos.