🤖 machine learning

CORVUS: Context Optimization and Reduction Via Underlying Synchronization for LLM Coding Agents

CORVUS introduce una arquitectura de trayectoria novedosa para agentes de codificación LLM que desacopla las acciones de lectura de archivos de sus observaciones mediante el mantenimiento de un registro sincronizado de los contenidos actuales de los archivos, eliminando así las instantáneas obsoletas y las relecturas redundantes para reducir significativamente el uso de tokens y los ciclos de razonamiento mientras mantiene el rendimiento.

Autores originales: Mingwei Zheng, David OBrien, Siwei Cui, Pardis Pashakhanloo, Rajdeep Mukherjee, Myeongsoo Kim, Sachit Kuhar

Publicado 2026-07-28

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mingwei Zheng, David OBrien, Siwei Cui, Pardis Pashakhanloo, Rajdeep Mukherjee, Myeongsoo Kim, Sachit Kuhar

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un mundo donde tienes un asistente robótico súper inteligente que puede escribir código de computadora, corregir errores y construir programas de software enteros con solo hablar contigo. Esto no es ciencia ficción; es la realidad de los "agentes de codificación de LLM". Estos son modelos de inteligencia artificial que actúan como desarrolladores junior: piensan en un problema, observan archivos, realizan cambios y verifican su trabajo. Pero aquí está el truco: estos robots tienen un problema de memoria a corto plazo. Para recordar lo que han hecho, mantienen un diario continuo de cada pensamiento, acción y resultado. Cuanto más compleja es la tarea, más largo se vuelve este diario. Eventualmente, el diario se vuelve tan masivo que el robot se confunde, olvida los detalles más importantes y comienza a cometer errores tontos porque está tratando de leer un libro de 500 páginas solo para recordar lo que hizo hace cinco minutos. Este fenómeno, donde demasiada información hace que la IA sea más tonta, se llama "corrupción del contexto" (context rot).

Presentamos CORVUS, un nuevo y astuto sistema diseñado para solucionar este desastre de memoria. En lugar de dejar que el diario del robot crezca descontroladamente con notas viejas y obsoletas, CORVUS actúa como una biblioteca mágica y viva. Se da cuenta de que el código cambia constantemente. Si el robot lee un archivo, luego lo edita, luego lo lee de nuevo, la nota vieja en el diario es basura inútil. CORVUS evita que el robot escriba el contenido del archivo cada vez. En su lugar, mantiene una "lista sincronizada" de los archivos que el robot necesita. Antes de que el robot tome una nueva decisión, CORVUS verifica silenciosamente los archivos de la computadora, toma la versión más reciente y se la entrega al robot. De esta manera, el robot siempre tiene la información más fresca y limpia sin un diario inflado con páginas duplicadas y obsoletas. ¿El resultado? El robot trabaja más rápido, cuesta menos ejecutarlo y comete menos errores, todo mientras mantiene su memoria ligera y enfocada.

El Problema: La Trampa de la "Instantánea Obsoleta"

Para entender por qué CORVUS es importante, primero debemos observar cómo funcionan estos agentes de codificación normalmente. Imagina que estás intentando arreglar un grifo que gotea, pero lo haces con los ojos vendados y solo puedes ver la habitación a través de una serie de fotos que tomaste anteriormente.

En el método tradicional, cada vez que el agente (nuestro robot) mira un archivo, toma una "instantánea" de ese archivo y la pega en su registro de historial. Si el archivo cambia después —ya sea porque el robot lo editó o porque un desarrollador humano entró y lo retocó— esa vieja instantánea en el registro permanece exactamente igual. Se vuelve obsoleta.

Los autores del artículo descubrieron que esto crea dos grandes dolores de cabeza:

Lecturas Duplicadas: Debido a que la vieja instantánea está enterrada en un historial largo, el robot a menudo olvida que ya había visto el archivo. Lee el archivo de nuevo, toma otra instantánea y la pega. Esto es como leer la misma página de un libro cinco veces porque perdiste tu lugar. En sus pruebas, encontraron que el 26% de las veces, el robot estaba releyendo archivos que ya había visto.
Errores de Contexto Obsoleto: Peor aún, el robot podría intentar editar un archivo basándose en una instantánea vieja. Imagina que el robot ve una línea de código que dice "Línea 10: Encender la luz", pero en el mundo real, esa línea fue eliminada hace cinco minutos. El robot intenta editar la "Línea 10", falla, se confunde y tiene que dedicar tiempo y energía extra para descubrir qué salió mal.

La forma antigua de solucionar esto era "reactiva". Es como esperar hasta que tu mochila esté tan llena de piedras que no puedas levantarla, y entonces intentar sacar algunas piedras. El artículo argumenta que esto es demasiado tarde. La verdadera solución es evitar poner las piedras en la mochila desde el principio.

La Solución: El "Sincronismo Vivo"

Los autores proponen CORVUS (Optimización y Reducción de Contexto mediante Sincronización Subyacente). Piensa en CORVUS no como un diario, sino como una transmisión en vivo.

En lugar de pegar el contenido de un archivo en el registro de historial, CORVUS utiliza una herramienta especial llamada sync_file. Cuando el robot dice: "Necesito mirar speech_recognition.py", CORVUS no copia el texto en el registro. En su lugar, pone una nota diminuta y ligera en el registro que dice: "Sync: speech_recognition.py."

Detrás de escena, CORVUS mantiene un Conjunto de Archivos Sincronizados. Este es una lista especial de archivos en los que el robot está trabajando actualmente. Antes de que el robot tome cualquier nueva decisión (en cada ciclo de razonamiento), CORVUS realiza una rápida "Sincronización de Contexto". Va a la computadora real, toma la versión actual y más reciente de cada archivo en esa lista y la inyecta en el prompt del robot.

Esto lo cambia todo:

Sin Duplicados: El robot nunca ve dos versiones del mismo archivo. Solo ve la versión única y actual.
Sin Datos Obsoletos: Si un archivo cambia, la próxima vez que el robot piense, recibirá la nueva versión automáticamente. Nunca intentará editar código que ya no existe.
Más Ligero: El registro de historial se mantiene pequeño porque solo contiene los pensamientos y acciones del robot, no bloques masivos de texto de archivos.

Lo Que Encontraron: Más Rápido, Más Barato, Más Inteligente

Los investigadores probaron CORVUS en dos desafíos de codificación difíciles: SWE-POLYBENCH_VERIFIED (que incluye tareas de Java, JavaScript y TypeScript) y SWE-BENCH PRO (que presenta problemas complejos de nivel empresarial). Realizaron estas pruebas en cuatro modelos de IA potentes, incluyendo CLAUDE SONNET 4 y QWEN3-CODER-480B.

Los resultados fueron impresionantes, demostrando que mantener el contexto fresco hace que la IA sea significativamente más eficiente:

Menos Lectura Desperdiciada: CORVUS redujo las lecturas de archivos duplicados entre un 22% y un 86%. El robot dejó de perder tiempo releyendo archivos que ya conocía.
Menos Pasos: Debido a que el robot no se confundía con datos viejos, terminó las tareas más rápido. El número de ciclos de razonamiento (pasos) cayó entre un 15% y un 37%. Por ejemplo, en un modelo, los pasos pasaron de un promedio de 45.03 a 28.22.
Prompts más Cortos: El "prompt" final (el mensaje enviado a la IA para terminar el trabajo) fue entre un 15% y un 32% más corto.
Ahorro de Dinero: Dado que la IA cuesta dinero según la cantidad de texto que procesa, estos ahorros se acumularon. En algunas tareas, el costo cayó hasta un 50.28%. Por ejemplo, una tarea que costaba $5.27 bajó a $2.62.
Velocidad: Todo el proceso terminó hasta un 40% más rápido en términos de tiempo total.

Crucialmente, el artículo señala que el robot no se volvió más tonto por tener menos texto que leer. La tasa de éxito (qué tan seguido reparaba el error correctamente) se mantuvo comparable al método antiguo, e incluso mejoró ligeramente en algunos casos.

El Panorama General

Los autores también verificaron si CORVUS funciona con otros métodos que intentan limpiar historiales desordenados. Encontraron que CORVUS y estas herramientas de limpieza "reactivas" son mejores amigos. CORVUS detiene el desorden en la fuente (upstream), mientras que las otras herramientas limpian lo que queda (downstream). Cuando se usan juntos, ahorran aún más tokens y dinero.

En resumen, CORVUS sugiere que para que los agentes de codificación de IA sean verdaderamente eficientes, no solo deben ser buenos recordando el pasado; deben ser buenos manteniéndose conectados con el presente. Al desacoplar la acción de "leer un archivo" del "contenido del archivo", y en su lugar mantener una sincronización en vivo con la base de código, podemos construir agentes que sean más rápidos, más baratos y menos propensos a la confusión de la "corrupción del contexto". El artículo no afirma que esto resuelva todos los problemas de la IA, pero sí demuestra que un cambio estructural simple —cambiar un diario estático por una transmisión en vivo— puede marcar una gran diferencia en qué tan bien funcionan estos asistentes digitales.

Resumen Técnico: CORVUS

Problema: Rotación de Contexto y Trayectorias de Solo Adición

Los agentes de codificación basados en Modelos de Lenguaje Extensos (LLM) operan mediante un bucle iterativo de Pensamiento–Acción–Resultado, manteniendo una "trayectoria" (historial de interacción) como memoria de trabajo. Los agentes convencionales utilizan una arquitectura de trayectoria de solo adición, donde las acciones de lectura de archivos están estrechamente acopladas con sus observaciones. Cuando un agente lee un archivo, un instantánea (snapshot) de ese momento en el tiempo del contenido del archivo se añade permanentemente al historial cronológico.

Esta arquitectura crea dos ineficiencias primarias, particularmente en tareas de ingeniería de software de largo horizonte:

Lecturas de Archivos Duplicadas: A medida que la trayectoria crece, los contenidos de los archivos relevantes quedan enterrados en el contexto ("fenómeno de perderse en el medio"). Los agentes leen frecuentemente archivos para recuperar información, añadiendo instantáneas completas y redundantes de los archivos al historial. El análisis empírico mostró que el 26% de las operaciones de lectura de archivos en los agentes base eran duplicados.
Errores de Contexto Obsoleto: Debido a que las instantáneas son inmutables, no reflejan las ediciones posteriores realizadas por el agente o las modificaciones concurrentes de un humano. Los agentes pueden intentar editar código basándose en números de línea o nombres de variables desactualizados, lo que provoca fallos en las ediciones. La recuperación requiere ciclos de diagnóstico adicionales y más lecturas de archivos, exacerbando la hinchazón de la trayectoria.

Estos problemas contribuyen a la rotación de contexto, donde el aumento de la longitud del prompt degrada la precisión del modelo y la fiabilidad del razonamiento, mientras que simultáneamente aumenta los costes de tokens y la latencia de inferencia. Los métodos existentes de gestión de contexto son mayoritariamente reactivos, comprimiendo o podando el contexto solo después de que este se ha acumulado. No previenen la introducción de contenido innecesario o desactualizado desde la fuente.

Metodología: Arquitectura CORVUS

El artículo propone CORVUS (Optimización y Reducción de Contexto mediante Sincronización Subyacente), una arquitectura de trayectoria proactiva que desacopla las acciones de lectura de archivos de sus observaciones. En lugar de almacenar instantáneas fijas, CORVUS mantiene un registro sincronizado de los archivos relevantes.

Mecanismos Centrales

Conjunto de Archivos Sincronizados ( $S_t$ ): CORVUS introduce un registro dinámico de archivos relevantes para la tarea actual. Cuando un agente necesita interactuar con un archivo, invoca una nueva herramienta, sync_file(fj), en lugar de read_file(fj).
- La herramienta sync_file registra el archivo en el conjunto $S_t$ , pero añade solo una marca ligera (por ejemplo, "sync: ./path/to/file") a la trayectoria del historial, evitando la inclusión inmediata del contenido del archivo.
Fase de Sincronización de Contexto: Antes de cada ciclo de razonamiento, un paso de sincronización actualiza el contexto. El sistema recupera los contenidos actuales de todos los archivos en el conjunto sincronizado desde el repositorio.
Composición del Prompt: El prompt para cada paso de razonamiento se construye como:
$P_t = M_{sys} \oplus T_{schema} \oplus H_{t-1} \oplus C_t$
Donde $C_t$ es el Contexto Sincronizado, que contiene como máximo una versión actual de cada archivo registrado. Esto asegura que el agente razone sobre el estado más reciente del código sin cargar instantáneas históricas y potencialmente obsoletas de los archivos en el historial de mensajes.

Este cambio estructural garantiza que la trayectoria permanezca sincronizada con el estado real del repositorio por construcción, eliminando copias redundantes y evitando que el agente razone sobre información desactualizada.

Contribuciones Clave

El artículo realiza tres contribuciones primarias:

Identificación de la Ineficiencia Estructural: Los autores identifican empíricamente que la arquitectura estándar de trayectoria de solo adición causa que los contenidos mutables de los archivos sean tratados como entradas de historial inmutables, lo que lleva a la acumulación de instantáneas duplicadas y obsoletas.
Arquitectura Proactiva (CORVUS): Proponen CORVUS, que reemplaza las lecturas de archivos en línea con un mecanismo de sync_file y una actualización de contexto previa al ciclo. Esto garantiza que el prompt contenga solo la versión actual de los archivos relevantes, previniendo la hinchazón de la trayectoria desde la fuente.
Evaluación Exhaustiva: El sistema fue implementado en el framework STRANDS AGENTS y evaluado en cuatro LLMs (tres propietarios: Claude Sonnet 3.7, 4, 4.5; uno de código abierto: Qwen3-Coder-480B) en dos benchmarks: SWE-POLYBENCH_VERIFIED y SWE-BENCH PRO.

Resultados

La evaluación a través de 573 instancias demostró que CORVUS mejora significativamente la eficiencia de la trayectoria manteniendo las tasas de éxito de las tareas:

Reducción de Redundancia: Las lecturas de archivos duplicadas se redujeron entre un 22–86% en todos los modelos.
Menos Ciclos de Razonamiento: El número de ciclos de razonamiento requeridos para completar tareas disminuyó entre un 9–37%, observándose la mayor reducción (37.33%) en Claude Sonnet 4.5 para SWE-POLYBENCH_VERIFIED.
Prompts más Cortos: Los prompts de solicitud finales se acortaron entre un 15–32%, reduciendo el uso del máximo de la ventana de contexto.
Ahorro de Tokens y Costes: Los tokens de entrada promedio por tarea se redujeron entre un 9–50%. Los costes totales de tokens se redujeron hasta un 51% (por ejemplo, de $5.27 a$ 2.62 por instancia para Claude Sonnet 4.5 en SWE-POLYBENCH_VERIFIED).
Eficiencia de Tiempo de Ejecución: La latencia de extremo a extremo se redujo hasta un 40%. La sobrecarga de sincronización (lecturas de archivos locales) fue insignificante comparada con los ahorros derivados de menos ciclos de inferencia de LLM.
Éxito de la Tarea: Las tasas de Pass@1 se mantuvieron comparables a las de los agentes base, con ligeras mejoras observadas en tres de los cuatro modelos, lo que indica que las ganancias de eficiencia no comprometieron la corrección.

Compatibilidad: El artículo demuestra además que CORVUS es complementario a los métodos de gestión de contexto reactivos (por ejemplo, ventanas deslizantes, resumen). Combinar CORVUS con estrategias reactivas produce aún más reducciones en tokens y costes, sugiriendo que un enfoque híbrido es óptimo.

Significado y Reivindicaciones

El artículo afirma que la sincronización proactiva del código fuente y la trayectoria es una optimización crítica, aunque previamente pasada por alto, para los agentes de codificación de largo horizonte. Al abordar la causa raíz de la rotación de contexto —el acoplamiento de los estados de archivos mutables con las entradas de historial inmutables—, CORVUS permite flujos de trabajo de agentes más eficientes y fiables.

Los autores enfatizan que su enfoque es distinto de la compresión reactiva; evita la acumulación de datos obsoletos en lugar de limpiarlos más tarde. Los resultados sugieren que mantener una visión sincronizada del repositorio permite a los agentes operar con trayectorias más ligeras, reduciendo costes y latencia mientras preservan la capacidad de resolver tareas complejas de ingeniería de software. El artículo concluye que este cambio arquitectónico es esencial para escalar los agentes de codificación de LLM hacia flujos de trabajo de desarrollo de grado empresarial de varios días.