🤖 AI

Context as an Environment: Programmatic Context Management for Long-Horizon Agents

El artículo presenta Scroll, un sistema de gestión de contexto programático que trata las sesiones de agentes como entornos ejecutables con un registro de eventos de solo lectura y un kernel de Python persistente, permitiendo que los LLM gestionen dinámicamente el estado de largo horizonte mediante código mientras alcanzan un rendimiento de vanguardia en evaluaciones de contexto largo.

Autores originales: Yin Lin, Elaine Ang, Erkang Zhu, Bolin Ding, Jingren Zhou

Publicado 2026-08-25

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yin Lin, Elaine Ang, Erkang Zhu, Bolin Ding, Jingren Zhou

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 una conversación que nunca termina. Estás hablando con un programa informático muy inteligente, uno que puede ayudarte a escribir código, planificar viajes complejos o investigar temas profundos. Al principio, la conversación es fácil. El programa recuerda todo lo que has dicho en los últimos minutos. Pero a medida que la conversación se prolonga durante horas o días, la cantidad de información crece. Eventualmente, se vuelve demasiado para que el programa la sostenga en su memoria inmediata. En el mundo de la inteligencia artificial, esta memoria inmediata se llama ventana de contexto. Es de un tamaño fijo, como un escritorio que solo puede sostener un cierto número de papeles. Cuando la pila de papeles se vuelve demasiado alta, el programa debe desechar algunos para hacer espacio para otros nuevos.

El problema es que el programa no sabe qué papeles son importantes hasta que es demasiado tarde. Si haces una pregunta sobre algo que mencionaste hace tres días, es posible que el programa ya haya descartado ese papel. Las soluciones tradicionales intentan resolver esto tratando de resumir los papeles viejos en una nota corta o seleccionando algunos hechos para mantenerlos en un cuaderno separado. Pero estos métodos son arriesgados. Si el programa desecha un detalle específico, como una fecha o un número, ese detalle se pierde para siempre. No se puede recuperar. Para tareas que requieren mirar hacia atrás en una larga historia para encontrar hechos exactos o rastrear cómo cambió una situación a lo largo del tiempo, perder incluso un solo detalle puede hacer que el programa falle.

Un equipo de investigadores ha propuesto una forma diferente de manejar esta conversación creciente. Llaman a su sistema Scroll. En lugar de intentar meter toda la historia en la memoria inmediata del programa, tratan la historia como un entorno separado y permanente que el programa puede visitar cada vez que lo necesite. Piensa en ello como un archivo vasto y organizado que se encuentra justo fuera del escritorio del programa. El programa no lee todo el archivo a la vez. En su lugar, escribe una pequeña instrucción, como una consulta de búsqueda o un comando, para ir al archivo, encontrar la página específica que necesita y traer solo esa página de vuelta al escritorio.

El núcleo de este sistema es un registro permanente de cada interacción, llamado Registro de Eventos (Event Log). Este registro es como una grabadora de cinta que nunca se detiene, capturando cada mensaje, cada resultado de herramienta y cada decisión en detalle exacto. Está almacenado de forma segura fuera de la memoria inmediata del programa, por lo que nada se pierde. Junto a este registro hay un espacio de trabajo persistente, una especie de caja de arena digital donde el programa puede mantener sus pensamientos y cálculos actuales. Cuando el programa necesita recordar algo del pasado, no depende de un resumen. Escribe un fragmento de código para buscar en el Registro de Eventos, encontrar el momento exacto que está buscando y cargar esa información en su espacio de trabajo.

Este enfoque cambia la forma en que el programa piensa sobre su propia memoria. En lugar de adivinar qué conservar, el programa decide qué buscar en el momento en que es necesario. Si el programa está planeando un viaje y necesita recordar una preferencia que el usuario mencionó hace semanas, escribe un comando para buscar esa preferencia específica. Luego, carga las palabras exactas que el usuario usó y las utiliza para tomar una decisión. El programa solo trae la información necesaria a su vista inmediata. El resto del historial de la conversación permanece guardado de forma segura en el archivo, esperando ser recuperado si el programa lo necesita más tarde.

Para evitar que la vista inmediata se llene demasiado, el sistema tiene una forma de limpiar la información vieja que no se está utilizando actualmente. Cuando el espacio de trabajo se amontona, el sistema mueve las partes más antiguas de la conversación de vuelta al archivo. Sin embargo, a diferencia de otros sistemas que podrían borrar o resumir estas partes viejas, Scroll las mantiene exactamente como son. Crea un mapa pequeño, un índice, que le dice al programa exactamente dónde están almacenadas esas partes antiguas en el archivo. Si el programa se da cuenta más tarde de que necesita revisar una conversación antigua, puede usar este mapa para saltar directamente al lugar correcto y recuperar el texto original. Esto asegura que el programa siempre pueda volver a la fuente, incluso si la información ya no está en su vista inmediata.

Los investigadores probaron este sistema en varios desafíos difíciles diseñados para ver qué tan bien puede un agente de inteligencia artificial manejar conversaciones largas. En una prueba, el sistema tuvo que responder preguntas basadas en un historial de más de un millón de palabras de conversación. En otra, tuvo que actuar como un agente que toma decisiones durante un largo período, utilizando herramientas para reunir información y resolver problemas. Los resultados mostraron que este nuevo método fue altamente efectivo. En una prueba que medía qué tan bien el sistema podía recordar y razonar sobre historias largas, alcanzó una puntuación de 94.8 por ciento. En otra prueba que involucraba diez millones de palabras de historial, obtuvo un 73.1 por ciento, que fue superior a cualquier otro sistema publicado anteriormente. En una prueba donde el sistema tenía que gestionar un entorno creciente mientras resolvía tareas complejas, alcanzó un 86.7 por ciento, superando con creces los mejores resultados previos.

El éxito de este sistema proviene de su capacidad para tratar la memoria como una tarea de programación. Al permitir que el programa escriba sus propias instrucciones para encontrar y usar la información, el sistema aprovecha la capacidad creciente del programa para escribir código. No obliga al programa a comprimir su historial en un resumen que podría perder detalles importantes. En su lugar, le da al programa las herramientas para acceder al historial completo y sin editar siempre que sea necesario. Los investigadores encontraron que este método funciona bien en diferentes tipos de programas potentes, lo que sugiere que la capacidad de gestionar la memoria a largo plazo a través de código es una habilidad general que puede ser aprendida por varios sistemas.

Este trabajo sugiere un cambio en la forma en que construimos agentes inteligentes. En lugar de intentar que la memoria inmediata del programa sea más grande o mejor resumiendo, podemos darle acceso a un registro permanente y buscable de su propia vida. El programa aprende a navegar este registro, decidiendo qué traer al frente y qué dejar atrás. Esto mantiene la vista inmediata clara y enfocada, mientras asegura que la verdad completa del pasado esté siempre disponible. Los investigadores creen que este enfoque podría ayudar a la inteligencia artificial a manejar tareas aún más largas y complejas en el futuro, permitiéndole aprender de una historia mucho más profunda sin perder los detalles que importan.

Resumen Técnico: Scroll – Gestión de Contexto Programática para Agentes de Largo Horizonte

1. Formulación del Problema

Las tareas de largo horizonte para agentes de Modelos de Lenguaje Extensos (LLM) —como la ingeniería de software a nivel de repositorio y la investigación profunda en la web— generan historiales de interacción que exceden con creces la ventana de contexto de un solo modelo. Las soluciones existentes se basan principalmente en la compresión de contexto (truncar, resumir o descartar segmentos obsoletos) o en la memoria externa (extraer hechos hacia un almacén separado). Ambos enfoques son fundamentalmente con pérdida: se comprometen con qué información preservar antes de que se conozcan las necesidades futuras. En consecuencia, si un resumen no logra capturar un detalle específico o una extracción omite un matiz, esa información se vuelve irrecuperable, incluso si el registro bruto existe en el disco. Esta limitación impide que los agentes realicen comparaciones históricas exactas o computaciones no triviales sobre eventos pasados donde la información requerida no se conoce de antemano.

2. Metodología: El Marco de Trabajo Scroll

El artículo introduce Scroll, un gestor de contexto que redefine el historial de la sesión no como texto para ser serializado en prompts, sino como un Entorno de Sesión Ejecutable. Este entorno permite al agente interactuar programáticamente con su propio historial.

Componentes Principales

Registro de Eventos de Solo Adición ( $L_t$ ): Un registro duradero y de verdad fundamental de todas las interacciones (mensajes del usuario, respuestas del modelo, llamadas a herramientas, resultados). A cada evento se le asigna una dirección de secuencia (seq) inmutable y monótonamente creciente. El registro se almacena en SQLite, utilizando BM25 para la búsqueda de texto completo determinista en lugar de embeddings.
Almacenamiento Duradero ( $P_t$ ): Los payloads brutos (por ejemplo, salidas completas de herramientas, artefactos) se almacenan externamente (JSON, sistema de archivos) y se referencian en el Registro de Eventos mediante manejadores diferidos. Esto asegura que el registro de eventos sea ligero mientras preserva la fidelidad total.
Kernel de Python Persistente ( $V_t$ ): Un kernel de Python en un entorno de sandbox que persiste a través de las llamadas del modelo. Mantiene un espacio de nombres tipado de variables residentes (objetos Python, DataFrames, manejadores diferidos). Crucialmente, las computaciones intermedias y los resultados de las herramientas permanecen en este kernel y no se serializan en el prompt a menos que se soliciten explícitamente.

Interfaz Programática

El modelo construye su contexto escribiendo código ejecutado dentro del kernel persistente. La interfaz, expuesta a través de un objeto de capacidad ms, descompone la construcción del contexto en cuatro operaciones:

LOCATE (Localizar): ms.search(query, k, ...) encuentra registros candidatos en el Registro de Eventos mediante búsqueda de texto completo y filtros estructurados, devolviendo direcciones seq estables.
MATERIALIZE (Materializar): ms.expand(seq) recupera turnos o segmentos exactos y carga los payloads externalizados como objetos Python.
COMPUTE (Computar): El modelo realiza filtrado, unión, agregación y derivación utilizando Python estándar e interfaces de base de datos permitidas sobre las variables residentes.
EXPOSE (Exponer): print(value) es el único mecanismo que cruza la frontera hacia la vista de trabajo del modelo. Solo las proyecciones explícitamente impresas entran en el siguiente contexto del modelo.

Evicción y Navegación

A medida que la vista de trabajo se acerca al presupuesto de tokens, Scroll emplea un procedimiento de evicción que elimina los segmentos obsoletos de la vista, pero nunca del Registro de Eventos.

Recuperabilidad: Los eventos expulsados permanecen íntegros en el Registro de Eventos.
Índice de Evicción: Para evitar la necesidad de búsquedas en todo el registro, Scroll mantiene un índice por niveles de "titulares" (tarea, estado, siguiente acción) para los segmentos expulsados. Este índice permite al agente navegar directamente a las regiones expulsadas utilizando anclajes de dirección, agrupando entradas más antiguas en rangos más gruesos para mantener una complejidad de $O(k \log k n)$ .

3. Contribuciones Clave

El artículo realiza tres contribuciones primarias:

Política de Selección Diferida: A diferencia de los métodos existentes que fijan el mapa de contexto antes de que se conozcan las necesidades futuras, Scroll difiere la selección de la vista de trabajo al tiempo de consulta. El modelo escribe un programa $\pi_t$ en cada paso para decidir qué recordar, computar y exponer.
Substrato de Contexto Ejecutable: La implementación de un kernel de Python persistente y en sandbox combinado con un Registro de Eventos de solo adición. Esto desplaza la gestión del contexto del procesamiento de texto a la programación, aprovechando las capacidades de codificación del LLM para buscar, transformar y materializar el estado.
Algoritmo de Navegación Sin Pérdida: Un mecanismo de evicción que mantiene la vista de trabajo acotada sin perder el historial. Los segmentos expulsados permanecen intactos y están indexados mediante entradas compactas ancladas a direcciones, lo que permite al agente navegar directamente a las regiones expulsadas en lugar de buscar en todo el registro.

4. Resultados Experimentales

Los autores evaluaron Scroll utilizando Qwen3.8-Max como columna vertebral a través de tres benchmarks:

LongMemEvalS (Recuperación de Memoria a Largo Plazo): Scroll alcanzó un 94.8% de precisión, desempeñándose de manera competitiva con sistemas de vanguardia.
BEAM10M (Historial de 10M de Tokens): Scroll alcanzó un 73.1%, superando al mejor sistema de memoria publicado por 5.1 puntos. Destacó notablemente en categorías que requieren evidencia histórica exacta, como actualización de conocimiento (92.5%) y resolución de contradicciones (88.1%), donde la sumarización con pérdida suele fallar.
LOCA256K (Actuación de Largo Horizonte): Scroll alcanzó un 86.7% de precisión. En comparación directa con otras estrategias de gestión de contexto utilizando el mismo backbone, Scroll demostró una estabilidad superior a medida que el contexto crecía, con una caída de solo un 2.6% de 128K a 256K tokens, frente a caídas de ~21% para agentes de sumarización y recuperación.

Los Estudios de Ablación confirmaron que el Registro de Eventos sin pérdida es crítico (eliminarlo causó una caída a ~20% en BEAM10M), el kernel persistente mejora el rendimiento en 7.3 puntos al permitir la agregación dentro del kernel, y el índice de evicción proporciona una ganancia de 1.8 puntos al ayudar en la navegación en historiales dispersos.

Eficiencia de Costos: Scroll expone solo una pequeña fracción del corpus al modelo. En BEAM10M, el recuento de tokens de entrada mediano fue de ~105K (aproximadamente el 1% del corpus), con tokens de salida un orden de magnitud menores.

5. Significado y Reivindicaciones

El artículo afirma que Scroll cambia fundamentalmente la gestión de contexto de un problema de compresión a una tarea de programación. Al tratar la sesión como un entorno ejecutable, el agente hereda las capacidades de codificación mejoradas de los LLM para gestionar su propio contexto dinámicamente.

Los autores enfatizan que Scroll no dicta qué estado mantener ni cómo escribir el código de recuperación; estas decisiones se dejan al modelo. Esta flexibilidad permite que el sistema escale con las capacidades del modelo. El artículo sugiere que las trayectorias exitosas pueden destilarse de modelos de frontera hacia modelos más pequeños mediante el ajuste fino supervisado, manteniendo fijos los mecanismos de contexto subyacentes.

El trabajo postula que para tareas de largo horizonte que requieren evidencia histórica exacta o computación compleja sobre eventos pasados, la recuperación sin pérdida mediante acceso programático es superior a las sumariaciones precomputadas o los almacenes de memoria fijos, ya que evita la pérdida irrecuperable de información inherente a los paradigmas de compresión actuales.