Haz del bosque la memoria de tu agente

Los agentes despiertan vacíos. Lo que tu agente descubrió ayer ya no está en la ventana de contexto de hoy, y volver a pegar transcripciones viejas no escala más allá de una semana. Esta guía recorre el cableado de un bosque MonkeyLLM a un agente sobre MCP, para que el agente obtenga una memoria que puede buscar, caminar y hacer crecer.

Diez herramientas tipadas sobre MCP

Un bosque (un grafo enlazado de notas pequeñas y curadas, cada una con un pasaporte de título, resumen y tags) se expone a los agentes a través del Model Context Protocol como diez herramientas tipadas. Tipadas es la palabra operativa: al agente no se le entrega una caja de consultas genérica, se le entregan verbos con esquemas, y cada salto que da tiene presupuesto de tokens.

Las diez herramientas se agrupan en tres movimientos:

• Navegar: entrar por búsqueda, leer una etiqueta, seguir un enlace, abrir solo lo necesario. En términos llanos, recorrer los estantes tú mismo en lugar de aceptar lo que el bibliotecario adivinó.
• Plantar: registrar conocimiento nuevo como nodos nuevos. Este es el movimiento que forma memoria, el agente anotando lo que aprendió para que la próxima sesión arranque con ventaja.
• Feromona: las cacerías exitosas depositan rastros y acuñan enlaces de atajo, para que los caminos que siguen rindiendo se acorten. Llanamente: un sendero desgastado en el pasto.

La referencia herramienta por herramienta está en los docs de MCP, y el modelo subyacente de nodos y enlaces en los docs de primitivas.

El archivo de skills enseña el terreno

Conectar diez herramientas es la mitad del trabajo. La otra mitad es el archivo de skills, el archivo de instrucciones que convierte al bosque en la memoria de un agente: le enseña qué contiene este bosque, cómo entrar por búsqueda, cuándo caminar versus cuándo plantar, y a citar los nodos sobre los que se apoya una respuesta. Ponlo en las instrucciones de tu agente y el bosque deja de ser diez herramientas desconocidas y se vuelve un lugar que el agente sabe habitar.

Una clave con alcance por agente

No le entregues a cada agente la clave del propietario. La pantalla People administra el acceso como una fila por persona o agente, con claves con alcance y tokens en vivo: un agente de investigación puede leer y plantar, un agente de reportes solo puede leer, y cualquiera de los dos puede revocarse sin tocar al otro. Tu bosque es una bóveda (Your forest is a vault): autoalojado, claves bajo tu control, datos que nunca salen de tu infra.

Lo que compra el cableado, medido

En nuestro benchmark estrictamente multi-salto (11 preguntas, cada una exigiendo al menos 3 saltos encadenados), el mismo modelo local 12B anota 0/11 como lector de RAG top-k clásico y 11/11 como navegador de bosque, gastando 0.58x tokens por respuesta correcta contra una línea base de RAG iterativo, a 8.4 s p95 contra los 17.5 s de la línea base. La comparación completa está en RAG agéntico vs navegación con presupuesto.

El mismo informe también conserva su falla: el criterio de convergencia del aprendizaje de senderos no se cumplió (los saltos cayeron aproximadamente la mitad del umbral), y está escrito, no borrado. Si un sistema va a sostener la memoria de tu agente, prefiere el que publica lo que no convergió; aquí explicamos por qué conservamos esa sección.

Dale una memoria a un agente

Despliega en cuatro comandos, acuña una clave con alcance, entrégale a tu agente el archivo de skills y míralo plantar su primer nodo. Empieza con los docs de MCP, lee el preprint enlazado desde monkeyllm.com y dale una estrella a github.com/JimmyWesley/MonkeyLLM si el diseño se la gana.