Cuando la plataforma de recaudación de fondos VentureCrowd comenzó a implementar agentes de codificación de IA, vio los mismos beneficios que otras empresas: redujeron el ciclo de desarrollo front-end en un 90 % en algunos proyectos.
Sin embargo, no fue fácil ni estuvo exento de muchas pruebas y errores.
El primer desafío de VentureCrowd giró en torno a la calidad y el contexto de los datos, como Diego Mogollon, director de producto de VentureCrowd, le dijo a VentureBeat que “los agentes razonan contra cualquier dato al que puedan acceder en tiempo de ejecución” y luego estarían “equivocados” con confianza porque simplemente están basando su conocimiento en el contexto que se les ha dado.
Su otro obstáculo, como muchos otros, fueron los datos confusos y los procesos poco claros. De manera similar al contexto, Mogollon dijo que los agentes de codificación amplificarían los datos incorrectos, por lo que la empresa primero tuvo que crear una base de código bien estructurada.
“Los desafíos rara vez tienen que ver con los agentes codificadores en sí, sino con todo lo que los rodea”, dijo Mogollon. “Es un problema de contexto disfrazado de problema de IA, y es el modo de falla número uno que veo en las implementaciones de agentes”.
Mogollon dijo que VentureCrowd encontró varios obstáculos al revisar su desarrollo de software.
La experiencia de VentureCrowd ilustra un problema más amplio en el desarrollo de agentes de IA. Los modelos no están fallando a los agentes; en cambio, se sienten abrumados por demasiado contexto y demasiadas herramientas a la vez.
Mucho contexto
Esto proviene de un fenómeno llamado hinchazón de contextoCuando los sistemas de inteligencia artificial acumulan más y más datos, herramientas o instrucciones, los flujos de trabajo se vuelven más complejos.
El problema surge porque los agentes necesitan contexto para funcionar mejor, pero demasiado genera ruido. Y cuanto más contexto necesita analizar un agente, más tokens utiliza, el trabajo se ralentiza y los costos aumentan.
Una forma de frenar la sobrecarga del contexto es mediante la ingeniería de contexto. Ingeniería de contexto ayuda a los agentes a comprender los cambios de código o las solicitudes de extracción y alinearlos con sus tareas.
Sin embargo, la ingeniería de contexto a menudo se convierte en una tarea externa en lugar de integrarse en las plataformas de codificación que las empresas utilizan para crear sus agentes.
Cómo responden los proveedores de agentes de codificación
VentureCrowd confió en una solución en particular para ayudarlo a superar los problemas de sobrecarga de contexto que afectan la implementación de su agente de IA empresarial: Agentforce Vibes de Salesforce, una plataforma de codificación que reside dentro de Salesforce y está disponible para todos los planes, comenzando con gratis.
Salesforce actualizado recientemente Agentforce Vibes para la versión 2.0, que amplía la compatibilidad con marcos de trabajo de terceros como ReAct. Lo más importante para empresas como VentureCrowd es que Agentforce Vibes ha agregado Habilidades y Habilidades, que pueden usarse para impulsar el comportamiento de los agentes.
“Para contextualizar, toda nuestra plataforma, front-end y back-end, se ejecuta en el ecosistema de Salesforce. Entonces, cuando se lanzó Agentforce Vibes, naturalmente encajó en un entorno que ya conocíamos bien”, dijo Mogollon.
El enfoque de Salesforce no minimiza el contexto utilizado por los agentes; más bien, ayuda a las empresas a garantizar que el contexto permanezca dentro de sus modelos de datos o bases de código. Agentforce Vibes agrega ejecución adicional a través de la nueva función Habilidades y Habilidades. Las habilidades definen lo que los agentes quieren lograr y las habilidades son las herramientas que utilizarán para lograrlo.
Otras plataformas de agentes de codificación gestionan el contexto de forma diferente. Por ejemplo, Claude Code y Codex de OpenAI se centran en la ejecución autónoma, la lectura continua de archivos, la ejecución de comandos y la ampliación del contexto a medida que evolucionan las tareas. Código Claude tiene un indicador de contexto aquello que comprime el contexto cuando se vuelve demasiado grande.
Con estos diferentes enfoques, el patrón consistente es que la mayoría de los sistemas generan contextos crecientes para los agentes, no necesariamente los limitan. El contexto continúa creciendo, especialmente a medida que los flujos de trabajo se vuelven más complejos, lo que dificulta a las empresas controlar los costos, la latencia y la confiabilidad.
Mogollon dijo que su empresa eligió Agentforce Vibes no solo porque una gran parte de sus datos ya residen en Salesforce, lo que facilita la integración, sino también porque les permitiría controlar más el contexto con el que alimentan a sus agentes.
Lo que los constructores deben saber
No existe una manera única de lidiar con demasiado contexto, pero el patrón ahora es claro: más contexto no siempre significa mejores resultados.
Además de invertir en ingeniería de contexto, las empresas deben experimentar con el enfoque de restricción de contexto con el que se sientan más cómodas. Para las empresas, esto significa que el desafío no es sólo proporcionar más información a los agentes, sino también decidir qué dejar fuera.
