Cómo hacer que un agente de IA sea realmente tuyo
(monet.team-monet.com)Si eres desarrollador y trabajas todos los días con un agente de IA para programar, conoces muy bien esta sensación.
Ayer claramente habíamos acordado esa convención juntos, pero abres una sesión nueva y está en blanco total. Que en TypeScript yo siempre uso type en vez de interface, que en una revisión de PR dije que ese patrón no me convence, la causa raíz de ese bug que por fin atrapamos la semana pasada — tengo que actuar como si fuera la primera vez que escucha todo eso.
Después de repetirlo una y otra vez, al final terminas diciendo: "mejor lo hago yo".
Para resolver este problema hice Monet. La idea es lograr que un agente de IA de propósito general actúe como mi agente. Un sistema que aprende mis convenciones, recuerda la forma en la que prefiero hacer las cosas y se encarga de conocer la historia del proyecto.
Cómo funciona
La idea central es simple.
Escritura — el agente decide por sí solo. Sin necesidad de darle la orden de "acuérdate de esto", registra por su cuenta las decisiones tomadas durante el trabajo, los patrones encontrados y los problemas con los que se topó. Filtra el ruido y deja solo la señal.
Lectura — lo útil aparece primero. No es una simple búsqueda por palabras clave. Los recuerdos que de verdad se consultaron mucho y ayudaron a resolver problemas se priorizan primero. La memoria zombi que nadie busca se va quedando atrás de forma natural.
Crecimiento — mientras más acumula, más inteligente se vuelve. El primer trabajo es más lento. Porque no conoce el codebase, ni las convenciones, ni los bugs que aparecen seguido. Pero cuando la memoria se acumula, el siguiente trabajo se vuelve más rápido. El patrón que encontró ayer, la decisión que se tomó la semana pasada, la causa raíz de ese bug — ya no hace falta volver a buscarlos. Después de más o menos un mes, este agente deja de ser una herramienta genérica y empieza a comportarse como un ingeniero dedicado que conoce este proyecto a fondo.
Cómo llegamos hasta aquí
Al principio solo iba acumulando notas en un archivo. El agente escribía en Markdown lo que iba aprendiendo mientras trabajaba, y al iniciar una sesión nueva se incluía ese archivo. Era simple, pero mientras más crecía, más ruido aparecía.
Por eso, hace 4 meses, construí un sistema de memoria de verdad. El Monet anterior. Estaba diseñado sobre MCP para que el agente pudiera leer y escribir, y también pensando en compartirlo con equipos. Pero al enfocarme tanto en compartirlo en equipo, la experiencia de usarlo solo quedó medio ambigua. Sí funcionaba, pero no se sentía alineado con mi workflow.
Así que lo rehice por completo. Hace unas semanas dejé de lado temporalmente el objetivo de compartirlo con equipos y reconstruí Monet desde cero enfocándome en una sola pregunta: "¿de verdad podría usar esto todos los días?". En el momento de escribir esto, 12 agentes leen y escriben sobre el nuevo Monet. Todavía no hay funciones de monitoreo, así que no puedo dar cifras exactas, pero ahora se busca menos y se lee/escribe mucho más que antes. Eso significa que el agente está seleccionando y acumulando por sí solo lo importante.
Honestamente
En la etapa de vibe coding, la memoria no importa tanto. La mayoría son funciones nuevas y los bugs también son simples. Le dices al agente "arregla esto" y se resuelve dentro de la ventana de contexto.
Pero cuando esa app empieza a volverse más compleja, la historia cambia. Para cambiar una sola línea de código hay que revisar diez lógicas relacionadas, y el agente se arrastra de archivo en archivo buscando efectos secundarios. También aumentan los errores. Aunque le des 1M de tokens, después de comprimir el contexto tres veces terminas en el mismo lugar.
En casa hago cosas interesantes con agentes sobre código nuevo, y en el trabajo me peleo todos los días con código de más de 20 años. En el trabajo, la memoria del agente es indispensable. Sin ella, el trabajo simplemente no avanza.
Por eso empecé a crear y usar por mi cuenta una memoria indexada basada en archivos. Ese fue el inicio de Monet. Últimamente, en el trabajo, hago que los agentes den vueltas a propósito — para que recolecten contexto. La mayoría de los tickets se resuelven dentro del 20% del contexto. Ni hablar del tiempo: el estrés también bajó.
Y más que nada, antes me quedaba pensando "¿cómo habíamos arreglado ese bug?", mientras que ahora simplemente se lo pregunto a Kiro (el agente de programación de la empresa). Casi siempre ya lo sabe.
Cuando tienes decenas de agentes y millones de líneas de código, el contexto deja de ser un problema de bytes y se convierte en un problema de infraestructura. Y en ese punto, la memoria deja de ser algo opcional para convertirse en lo que define si el trabajo es viable o no.
Si quieres probarlo
- Sitio web: monet.team-monet.com
- GitHub: github.com/team-monet/with-monet — arnés de instalación (Apache-2.0)
- 100% local: el código no sale de tu dispositivo. Embeddings on-device, sin red ni telemetría. La memoria es un solo archivo SQLite en
~/.monet— puedes abrirlo directamente y hacer backup o exportarlo. - Uso gratuito. El motor es un binario compilado privado, pero la interfaz de integración es MCP estándar. Se integra directo con agentes compatibles con MCP como Claude Code, Cursor y Codex.
En especial me gustaría que lo probaran personas como estas:
- Desarrolladores que trabajan en serio todos los días con agentes de IA
- Personas que han sentido el cansancio de pensar: "tengo que volver a explicar lo de ayer…"
- Personas que piensan: "¿memoria para agentes? ¿para qué haría falta eso?" (de verdad — también quiero escuchar opiniones en contra)
Todos los ejemplos y escenarios de este texto están basados en experiencias reales.
Aún no hay comentarios.