La amnesia de agentes y la segunda factura
Cada sesión de agente arranca reconstruyendo contexto que la anterior ya pagó. Qué cambia una memoria de bosque persistente en los flujos de agentes, y el archivo de skills que hace que los agentes la usen de verdad.
Un agente termina una sesión productiva el martes. El miércoles su sucesor parte de cero: releyendo los mismos archivos, rederivando las mismas decisiones, volviendo a resumir los mismos documentos. Ese contexto ya lo pagaste una vez. Este post trata de la segunda factura, y de lo que le hace una memoria que sobrevive a la sesión.
La segunda factura
La primera factura es la que aparece en el estado de cuenta: tokens que entran, tokens que salen. La segunda es más silenciosa. Cada sesión en frío gasta sus minutos iniciales y miles de tokens reconstruyendo estado que una sesión previa ya tenía: qué servicios existen, qué decidió el equipo sobre la migración, dónde se rastrea el test intermitente. Multiplica por cada sesión, cada agente, cada día, y la reconstrucción se vuelve un impuesto permanente sobre todo el flujo de trabajo.
Los parches habituales no aguantan. Fijar el historial en el system prompt crece hasta desplazar la tarea en sí. Los archivos de scratchpad funcionan para un agente hasta que el archivo supera una sola lectura, o hasta que un segundo agente necesita la misma memoria. Lo que falta no es una ventana de contexto más grande. Es un lugar donde el conocimiento viva entre sesiones.
Una memoria que sobrevive a la sesión
La respuesta de MonkeyLLM es un bosque de conocimiento: un grafo autoalojado de notas pequeñas y curadas, cada una con un pasaporte (un título, un resumen sujeto a sesenta tokens, tags), que los agentes alcanzan sobre MCP. Los agentes lo trabajan con tres movimientos. Navegar: entrar por búsqueda y caminar, leyendo etiquetas y abriendo solo lo necesario. Plantar: registrar conocimiento nuevo como nodos nuevos. Feromona: las cacerías exitosas depositan rastros y acuñan enlaces de atajo, lo que en términos llanos significa que las rutas que produjeron respuestas quedan marcadas y la próxima cacería es más corta.
Plantar es el movimiento que mata la segunda factura. Cuando una sesión aprende algo durable, que payments-v2 ahora es dueño de los reembolsos, o que la caída de staging se rastreó hasta un TTL de DNS, registra el hecho como un nodo antes de salir. La sesión del miércoles no lo reconstruye. Busca, camina dos o tres saltos con presupuesto y se para sobre el nodo que el martes plantó. Y como las preguntas recurrentes dejan feromona, las caminatas que tu equipo hace cada semana se acortan con el tiempo. Un cerebro que tus IAs pueden hacer crecer (A brain your AIs can grow).
El archivo de skills
Una memoria que nadie consulta es un diario. Lo que convierte al bosque en memoria de trabajo es un pequeño archivo de instrucciones, expuesto en la pantalla Skills del Studio, que cualquier agente con MCP carga: recuerda desde el bosque antes de responder cualquier cosa de su dominio, planta el conocimiento durable antes de terminar, cita los ids de los nodos que pisaste.
Ese único archivo cambia el ciclo de vida de la sesión de arranque en frío a recordar, trabajar, plantar. También vuelve compartida la memoria: cinco agentes con cinco scratchpads sostienen cinco vistas parciales, cinco agentes con un bosque sostienen una.
Qué le hace a los números
El lado de recuperación de esto lo tenemos medido. Contra una línea base de RAG iterativo en preguntas estrictamente multi-salto, la navegación con presupuesto gasta 0.58x los tokens por respuesta correcta, a 8.4 s p95 contra los 17.5 s de la línea base. Por respuesta correcta es el denominador honesto: un pipeline que falla barato igual te factura, y fallar barato no es economía. La medición completa está en RAG agéntico vs navegación con presupuesto.
Los minutos son más difíciles de medir, y no hemos intentado ponerles número. Corre un bosque junto a tus agentes por una semana y observa a dónde dejan de irse los primeros diez minutos de cada sesión.
Deja de pagar dos veces
Un bosque es privado por diseño: motor Apache-2.0, apps AGPL, autoalojado, los datos nunca salen de tu infra. Cuatro comandos levantan uno (docs de despliegue) y los docs de MCP lo cablean a tus agentes. Despliega uno desde https://github.com/JimmyWesley/MonkeyLLM si la amnesia de agentes es una factura que reconoces, y encuentra el resto en https://monkeyllm.com.