Una corrección que aprendan todos tus agentes, no solo uno
Hay algo que resulta bastante frustrante cuando trabajas con agentes de código: que las correcciones que les haces no van a ningún sitio. Le explicas a Claude Code por qué algo está mal, lo entiende, lo corrige, y al día siguiente tienes que empezar desde cero con Codex. Como si nunca hubiera pasado nada.
Vi una posible solución en un vídeo de Akshay Pachaar, y se apoya en dos piezas concretas:
- Beacon, de Asymptote Labs: una capa de memoria de código abierto que registra lo que ocurre en las sesiones del agente y es compatible con más de 20 entornos distintos, entre ellos Claude Code, Codex, Cursor u OpenCode.
- Jev, un modelo de decisión que analiza la sesión grabada y determina si contiene algo que valga la pena conservar.
La demo lo explica en cuatro pasos. Primero, Claude Code ejecuta una tarea, modifica el código y supera los tests; Beacon lo graba todo. Segundo, Jev evalúa la sesión y devuelve un estado de «review»: como no hubo ninguna corrección, no se almacena nada. Tercero, Akshay corrige al agente, este rehace el trabajo y vuelve a pasar los tests; ahora sí se cumplen las condiciones para guardar una memoria. Cuarto, abre Codex, le pide que lea esa memoria y el agente aplica la corrección sin que nadie tenga que repetírsela.
Dos cosas que conviene matizar. Las reglas sobre qué merece guardarse y qué no no las define Beacon: las estableció la propia aplicación de Akshay. Y Codex no recuperó la memoria por iniciativa propia, hubo que indicárselo de forma explícita.
Aun así, el planteamiento tiene mucho sentido. Registrar todo lo que sucede en una sesión es la parte sencilla. Lo complicado es filtrar qué información merece persistir, y según Akshay los modelos de decisión como Jev están abaratando bastante ese proceso.
La idea de fondo es atractiva: hacer una corrección una sola vez y que sirva para todos tus agentes. Eso sí parece un avance real.
Beacon + Jev: memoria persistente entre sesiones de agentes de código
Resumen técnico
El flujo combina dos componentes. Beacon, capa de memoria open source de Asymptote Labs, graba sesiones completas de agentes y es compatible con más de 20 harnesses: Claude Code, Codex, Cursor, OpenCode y otros. Jev actúa como modelo de decisión que evalúa la sesión grabada y determina si contiene una corrección que merece persistirse. Las reglas de filtrado no las define Beacon sino la aplicación del desarrollador. La recuperación de memoria en Codex requiere invocación explícita; no hay recuperación automática.
Análisis de implicaciones
El problema técnico no es grabar sesiones, sino filtrar señal de ruido. Jev desplaza esa lógica a un modelo de decisión externo, lo que desacopla el almacenamiento de la evaluación. El resultado es un workflow donde una corrección aplicada en Claude Code puede propagarse a Codex sin repetir contexto. La limitación actual es la ausencia de recuperación automática: el agente receptor necesita instrucción explícita para leer la memoria, lo que añade fricción operativa y dependencia del prompt del usuario.
Aplicación práctica
Implementación en cuatro pasos documentados: el agente ejecuta una tarea y Beacon registra la sesión completa. Jev evalúa y devuelve estado review o save según las reglas definidas en la app. Si el desarrollador corrige al agente y este supera los tests con la corrección incorporada, Jev valida el guardado. En la siguiente sesión, se instruye a Codex para que lea esa memoria y aplica la corrección sin reexplicación. Las reglas de qué se guarda son configurables por el desarrollador, no predefinidas.
Contexto del sector
La gestión de memoria en agentes es uno de los cuellos de botella no resueltos en flujos multi-agente. Alternativas como MemGPT o el uso directo de system prompts acumulativos tienen coste de contexto alto. El enfoque de Beacon externaliza la memoria del contexto activo, y modelos de decisión como Jev reducen el coste de filtrado. La dirección técnica apunta hacia capas de memoria desacopladas del agente, reutilizables entre herramientas heterogéneas.
