A Language for Describing Agentic LLM Contexts

Resumen Técnico: Un Lenguaje para Describir Contextos de Agentes LLM

Enunciado del Problema
Los modelos de lenguaje grandes (LLM) se despliegan cada vez más como componentes centrales de razonamiento dentro de sistemas de agentes complejos y multi-componente. Estos sistemas dependen de contextos de entrada sofisticados que evolucionan dinámicamente con el tiempo, compuestos por instrucciones, observaciones, historial de interacciones y salidas de herramientas. La estructura de este contexto —específicamente qué mensajes se incluyen, cómo se acumula el historial y bajo qué condiciones aparece el contenido— es un artefacto de diseño crítico que moldea directamente el comportamiento del agente.

A pesar de su centralidad, actualmente no existe un método estándar para describir la construcción del contexto. Los profesionales dependen de prosa informal, diagramas ad hoc o inspección directa del código. Esta falta de un marco descriptivo compartido genera varios problemas:

1. Ambigüedad: Las descripciones textuales a menudo no capturan con precisión cómo evoluciona un prompt a través de los pasos de interacción o cómo difieren dos estrategias estructuralmente similares.
2. Reproducibilidad: Incluso cuando se comparten el código y las plantillas de prompts, la lógica que gobierna el ensamblaje del contexto rara vez es explícita en los artículos de investigación, lo que complica la reproducción.
3. Comparabilidad: Es difícil comunicar o comparar rigurosamente las estrategias de evolución del contexto entre diferentes sistemas o dentro de equipos de investigación.
4. Sensibilidad al Rendimiento: Pequeñas variaciones estructurales (por ejemplo, incluir o excluir trazas de razonamiento del historial) pueden conducir a diferencias medibles en el rendimiento del agente, sin embargo, estos matices a menudo quedan oscurecidos en la documentación estándar.

Metodología: El Lenguaje de Descripción de Contexto de Agente (ACDL)
Para abordar estos desafíos, los autores introducen el Lenguaje de Descripción de Contexto de Agente (ACDL), un lenguaje específico de dominio (DSL) diseñado para describir con precisión la estructura y la dinámica de los contextos de entrada de los LLM independientemente de cualquier implementación específica.

ACDL opera bajo los siguientes principios:

• Abstracción: Abstrae las palabras concretas (el dominio de la ingeniería de prompts) para centrarse en la macro-lógica de la selección y estructuración de la información (ingeniería de contexto). Utiliza etiquetas simbólicas para denotar el rol, el tipo y la fuente de la información (por ejemplo, distinguir las instrucciones del sistema de las salidas de las herramientas).
• Modelado Temporal: El lenguaje modela los sistemas de agentes como máquinas de estado de tiempo discreto. Utiliza variables indexadas por tiempo (por ejemplo, @T) para rastrear cómo se acumulan los elementos a través de los pasos de interacción. Soporta pasos de tiempo anidados (sub-pasos) para describir bucles complejos, como un chat de múltiples vueltas donde cada vuelta contiene un bucle interno de ReAct.
• Flujo de Control: ACDL incluye construcciones para lógica condicional (If, Else, Switch) e iteración (ForEach) para describir cómo se ensambla y transforma el contexto, y cómo se desempaqueta el historial en el prompt.
• Fuentes de Información: Categoriza las fuentes de información en constantes, estado del sistema (sys), estado del entorno (env), respuestas anteriores del LLM (resp) y funciones puras. Esto permite que el lenguaje describa contenido dinámico sin especificar el código subyacente de gestión del estado.
• Soporte Multiagente: El lenguaje puede parametrizar los contextos por ID de agente, permitiendo la descripción de sistemas con estados aislados o memoria/relojes compartidos.

El lenguaje está diseñado para ser tanto legible por humanos como procesable por máquinas. Soporta renderizado visual, permitiendo que las especificaciones se representen como diagramas (similares a diagramas de flujo o diagramas de secuencia) que hacen que las diferencias estructurales sean inmediatamente evidentes.

Contribuciones Clave

1. Especificación Formal del Lenguaje: El artículo define ACDL, una sintaxis formal para especificar la composición, evolución y flujo de control del contexto.
2. Ecosistema de Herramientas: Los autores proporcionan un analizador sintáctico, un visualizador interactivo basado en la web, una extensión para VS Code con renderizado en vivo y una habilidad para Claude Code para operacionalizar ACDL.
3. Ingeniería Inversa y Documentación: Los autores demuestran la utilidad del lenguaje documentando varios sistemas existentes:
   • Variantes de ReAct: Mostrando cómo cambios estructurales menores en los bucles de ReAct (por ejemplo, la ubicación de las trazas de razonamiento) se capturan explícitamente.
   • OpenCode y OpenClaw: Ingeniería inversa de los prompts del bucle principal de estos agentes de código y asistentes personales de código abierto populares para resaltar las diferencias en sus estrategias de compactación de contexto y llamadas a herramientas.
   • Agente Pokémon de Gemini: Documentando la estructura del contexto del agente Gemini 2.5 jugando a Pokémon Blue, según se describe en un informe técnico, proporcionando una representación más clara y menos ambigua que el texto original.
4. Validación Empírica: Los autores realizaron un pequeño experimento en un agente ReAct donde eliminaron las trazas de razonamiento del historial (un cambio fácilmente especificable en ACDL). Observaron que esta variante perjudicó el rendimiento en tareas de razonamiento mientras mejoraba ligeramente el rendimiento en tareas de código, ilustrando el impacto tangible de las elecciones estructurales del contexto.

Resultados y Demostraciones
El artículo no afirma resolver el problema de optimizar el contexto, sino más bien resolver el problema de describirlo. Los resultados presentados son cualitativos y demostrativos:

• Claridad: ACDL hace explícitas y comparables de un vistazo las diferencias estructurales (por ejemplo, la ubicación de las instrucciones, la intercalación de respuestas de herramientas), mientras que las descripciones textuales requieren prosa extensa.
• Precisión: El lenguaje captura con éxito escenarios complejos, como bucles anidados en agentes de múltiples pasos y las estrategias específicas de compresión de historial utilizadas en sistemas de última generación.
• Potencial de Adopción: Los autores señalan que las herramientas permiten tanto la comunicación humano-humano (mediante diagramas en pizarra o PDF) como la comunicación humano-IA, observando que los agentes de codificación (como Claude Code) pueden leer especificaciones ACDL para generar bucles de agentes correspondientes.

Significado y Afirmaciones
El artículo posiciona a ACDL como un estándar necesario para la "ciencia e ingeniería de sistemas de agentes". Su importancia radica en:

• Comunicación Rigurosa: Permitir una comunicación inequívoca de las decisiones de diseño del contexto dentro de los equipos y en toda la comunidad de investigación.
• Comparación Fiel: Permitir a los investigadores comparar estrategias de construcción de contexto entre diferentes sistemas sin el ruido de los detalles de implementación.
• Elevación de la Ingeniería de Contexto: Transformar la construcción del contexto de un "pensamiento posterior" o práctica informal a un "objeto riguroso de estudio" al proporcionar un vocabulario formal y un método de visualización.

Los autores son modestos en sus afirmaciones, reconociendo que ACDL es un lenguaje descriptivo, no un lenguaje de programación para construir agentes. También señalan limitaciones actuales, como la dificultad de describir sistemas con estado mutable durante la construcción del contexto (lo que requiere una conversión a un modelo inmutable primero) y la falta de un mecanismo limpio para sistemas multiagente con relojes separados que comparten estado mutable. Ven a ACDL como un estándar candidato destinado a facilitar una documentación, comparación y análisis más claros en el campo en rápida evolución de los LLM de agentes.