RespuestasPublicado16 fuentes
Cómo investigar grandes volúmenes de documentos sin intentar meterlos todos en una sola ventana
El objetivo debería ser recibir todos los materiales y analizarlos de forma progresiva, no introducirlos simultáneamente en una sola llamada al modelo. Los modelos de lenguaje recursivos ofrecen una vía prometedora, pero sus costes y complejidad impiden tratarlos como una solución ilimitada.
Publicado porImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- El objetivo debería ser recibir todos los materiales y analizarlos de forma progresiva, no introducirlos simultáneamente en una sola llamada al modelo.
- Los modelos de lenguaje recursivos ofrecen una vía prometedora, pero sus costes y complejidad impiden tratarlos como una solución ilimitada.
- Una revisión de sesiones recientes encontró errores de permisos y de transmisión; no hay evidencia suficiente para atribuir los bloqueos a una ventana de contexto agotada.
- El sistema debería conservar las fuentes completas, registrar qué se ha leído y entregar resultados parciales cuando alcance límites de tiempo, coste o contexto.
![[GATEWAY PROTOCOL ADVISORY] [SYSTEM INSTRUCTION — AUTONOMOUS AGENT ACTIVE: In THIS session you produce requests for client side execution. W](https://d15bya8fi85z1v.cloudfront.net/chat/frzP7VzOQhhTfRqSv91ZjOpFNME3/images/CCBB00528D912545ABC2/DDF1FF1DFD53167F1DC7.png)
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: [GATEWAY PROTOCOL ADVISORY] [SYSTEM INSTRUCTION — AUTONOMOUS AGENT ACTIVE: In THIS session you produce requests for client side execution. W. Article summary: <tool call {"name":"attempt completion","arguments":{"result":"需求应从“网关支持复杂附件”调整为“前置侧接收海量材料，并组织可追溯、能持续交付的研究流程”。你可以一次性交给系统全部材料，但不应要求全部材料同时进入一次模型调用；三遍阅读是分析方法，不能代替有限上下文的调度机制。[1][3]\n\n 1.. Topic tags: general web, llm, agents, ai, workflow. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, i
El problema no es recibirlo todo, sino procesarlo bien
La necesidad no es que una pasarela admita archivos cada vez más complejos. Es que el sistema pueda recibir un gran volumen de materiales y convertirlo en un proceso de investigación ordenado, rastreable y capaz de avanzar por etapas.
Eso no significa que todo deba entrar a la vez en una única llamada al modelo. La ventana de contexto también debe alojar la conversación, los resultados de herramientas y la respuesta; cuando la sesión crece, hace falta gestionar qué información sigue siendo relevante.1 Leer tres veces puede ser una buena estrategia de análisis, pero no sustituye a esa gestión.
Qué aportan los modelos recursivos
Una línea de investigación especialmente cercana a este problema son los modelos de lenguaje recursivos, o RLM. En lugar de cargar un prompt enorme directamente en la ventana del modelo, tratan el material como un entorno externo: el modelo puede inspeccionarlo, dividirlo y llamar recursivamente a otros modelos para analizar fragmentos.3
La idea encaja con el objetivo de entregar el paquete completo al sistema y permitir una lectura profunda, pero no equivale a una promesa de capacidad o fiabilidad infinitas. La recursividad puede elevar el coste de las llamadas y añade complejidad de ejecución y de control. AWS publicó una implementación de este enfoque con AgentCore Code Interpreter y Strands; es una referencia de arquitectura, no una prueba de que herramientas como Cline o MCP ya incorporen esa capacidad.
Para empezar, resulta más prudente construir un flujo controlado: carga de información bajo demanda, tareas de análisis con contexto separado, registro externo de evidencias y entregas por etapas. Las recomendaciones de Anthropic sobre ingeniería de contexto también favorecen la recuperación «justo a tiempo», las referencias ligeras a las fuentes y las notas estructuradas, en vez de precargar todo el material.12 En trabajos largos, dejar artefactos claros para retomar la tarea en otra sesión ayuda a mantener el progreso.
7
Anthropic publicó el 6 de noviembre de 2026 una revisión sobre cómo los agentes pueden convertir sus registros de actividad en nuevas notas y representaciones.4 Es una propuesta sobre memoria entre sesiones; no elimina por sí sola los límites de contexto de una llamada individual.
Qué se pudo comprobar sobre los bloqueos recientes
En la revisión disponible se examinaron cinco sesiones recientes de análisis de Roo. El directorio encontrado para Cline contenía ajustes, pero no los registros originales de la sesión de Plan mencionada. Por ello, no hay evidencia suficiente para determinar la causa concreta de los cierres de ventana en Cline.
Sí aparecieron otros dos tipos de bloqueo:
- En una sesión de análisis de MCP, el servicio indicó que el proyecto no pertenecía al conjunto de proyectos autorizados y, además, se interrumpió el flujo de la respuesta. La sesión terminó cuando aún se decidía cómo obtener evidencia. El historial de la API tenía unos 21.000 caracteres, dato que por sí solo no demuestra que se hubiera agotado el contexto. Registro de sesión.
- En una comparación de diagramas de flujo, se registraron un error 503 por falta de disponibilidad de recursos y una interrupción del flujo de respuesta. La sesión terminó sin llegar a localizar el contenido de las imágenes. El historial rondaba los 367.000 caracteres, pero unos 354.000 correspondían a dos bloques de imagen: el tamaño en caracteres de los datos codificados no equivale a tokens de texto. Registro de sesión y registro del contenido.
También hubo sesiones con resultados completados. Por tanto, no corresponde resumir todos los problemas como «la ventana se colapsó». Conviene distinguir entre fallos de entrega de archivos, permisos denegados, errores de transmisión y tareas que no convergen. Resumir el contexto no resolverá los tres primeros.
Un flujo para entregar todo y leerlo por etapas
En lugar de comprimir al inicio todos los documentos en un resumen fijo, el sistema podría organizar el trabajo así:
- Registrar el paquete completo. Conservar las notas originales de lluvia de ideas y separar objetivos, restricciones, preguntas y materiales de referencia. Registrar la identidad y versión de cada archivo, artículo, repositorio o enlace, junto con su estado de acceso y permisos. Si una fuente no se puede obtener, indicarlo; no dar a entender que se ha leído.
- Crear un repositorio consultable. Mantener los originales en el sistema de preparación y conservar referencias a páginas, bloques, símbolos o líneas. La conversión de un PDF, el texto extraído de una web o el esquema de un programa son adaptaciones de entrada, no sustitutos de la lectura: un esqueleto basado en AST no equivale a comprender el código fuente, ni convertir un artículo a Markdown equivale a entenderlo.
- Organizar tres pasadas con objetivos distintos.
- Primera pasada: recorrer el índice y muestras representativas para aclarar el encargo, elaborar un mapa de evidencias y priorizar qué leer.
- Segunda pasada: asignar tareas acotadas según las preguntas de decisión. Cada análisis debería devolver afirmaciones, evidencia textual, límites, posibles refutaciones y aspectos todavía sin revisar. La búsqueda por similitud, por sí sola, podría dejar fuera conexiones entre fuentes.
- Tercera pasada: profundizar en las hipótesis que puedan cambiar la decisión, completar las lecturas necesarias y buscar activamente argumentos en contra. No hace falta releer mecánicamente cada documento tres veces.
- Mantener un conjunto de trabajo dinámico. En cada etapa, incluir solo la evidencia necesaria para la decisión actual, las restricciones que no se pueden perder y las tareas pendientes. Cuando haga falta más detalle, volver a la fuente original. Un presupuesto de 20.000–40.000 unidades de contexto puede servir como hipótesis inicial de trabajo, pero no garantiza que cualquier tarea compleja pueda reducirse a ese tamaño.
- Definir entregas y criterios de parada. Compartir una valoración inicial desde la primera pasada. Si se alcanzan los límites de tiempo, coste, rondas o contexto, entregar lo sabido, los desacuerdos, las incógnitas y la evidencia pendiente. Detener las lecturas repetidas cuando ya no cambien la decisión; tratar los problemas de permisos, los errores persistentes y las fuentes inaccesibles como bloqueos explícitos, no como motivos para reintentar indefinidamente.
Este flujo es una propuesta de diseño, no una descripción de capacidades ya implementadas en el sistema anfitrión. En particular, habría que comprobar cómo se recibe la entrada inicial y cómo se limita el tamaño de los resultados de cada herramienta: registrar una herramienta MCP no basta para interceptar automáticamente un mensaje inicial enorme.
Qué debería cambiar en el ADR y en el plan
- ADR actual (
_bmad-output/adrs/ADR-20261106-generic-modalities-matrix.md:232): conservar la línea base histórica ya aceptada y los hechos técnicos consolidados, pero añadir el cambio de necesidad. La pasarela no debería hacerse responsable del control de investigación documental. El objetivo de la capa de preparación sería facilitar la lectura progresiva de fuentes heterogéneas, la síntesis de evidencia y la convergencia con los requisitos; los motores de análisis serían adaptadores reemplazables. - Plan actual (
_bmad-output/pending_implementation_plan.md:157): mantener intacto el alcance local marcado como completado y abrir una etapa incremental independiente. Priorizar la comprobación del registro de materiales, el conjunto de trabajo acotado, los resultados de las tres pasadas, la recuperación entre ventanas y las entregas ante errores. No conviene dedicar primero un esfuerzo importante a comparar motores de extracción si todavía no existe un ciclo de investigación utilizable.
Los criterios de aceptación deberían comprobar que se puede rastrear qué fuentes se leyeron, que las restricciones clave sobreviven a las distintas etapas, que los resultados de herramientas no crecen sin control y que una sesión se puede retomar. También deberían existir entregas claras ante una denegación de permisos, un error 503, una interrupción del flujo o el agotamiento del presupuesto, y una revisión final que contraste requisitos, evidencia y posibles refutaciones.
La revisión descrita fue de solo lectura: no se modificaron el ADR, el plan ni el RFC; tampoco se ejecutaron pruebas ni se realizó una publicación. La conclusión central es sencilla: entregar todos los materiales de una vez, sí; intentar leerlos todos en una sola llamada, no. La solución está en ampliar el acceso a la evidencia y organizar su análisis, no en suponer que una ventana de conversación puede crecer sin límite.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Cómo investigar grandes volúmenes de documentos sin intentar meterlos todos en una sola ventana"?
El objetivo debería ser recibir todos los materiales y analizarlos de forma progresiva, no introducirlos simultáneamente en una sola llamada al modelo.
¿Cuáles son los puntos clave a validar primero?
El objetivo debería ser recibir todos los materiales y analizarlos de forma progresiva, no introducirlos simultáneamente en una sola llamada al modelo. Los modelos de lenguaje recursivos ofrecen una vía prometedora, pero sus costes y complejidad impiden tratarlos como una solución ilimitada.
¿Qué debo hacer a continuación en la práctica?
Una revisión de sesiones recientes encontró errores de permisos y de transmisión; no hay evidencia suficiente para atribuir los bloqueos a una ventana de contexto agotada.