Más allá de grep: defensa de un arnés de IA rico en contexto

La tesis: la calidad de un asistente de IA para código depende menos de su modelo que de su "arnés" —la capa que decide qué fragmentos de la base de código mostrar—. Descifrado de un artículo que pone la ingeniería del contexto en el centro.

El punto de partida

Un caso concreto que todo desarrollador senior ha vivido: abrimos nuestro IDE, le pedimos al asistente «refactoriza esta función para usar la nueva API interna» y produce un código plausible, sintácticamente limpio, pero que ignora tres convenciones del proyecto, dos dependencias internas y un helper que ya existe a treinta líneas más adelante. El modelo no es «tonto», simplemente no ha visto lo que debía ver.

Es exactamente la tesis defendida por Vinay Perneti (Augment Code) en una entrevista a Ars Technica titulada «Beyond grep: The case for a context-rich AI coding harness»: el arnés —el conjunto de mecanismos que seleccionan, ordenan e inyectan el contexto en el prompt— pesa hoy más que la elección del modelo subyacente.

Lo que hace un arnés «pobre»

Es esencialmente un grep sofisticado:

• una búsqueda por embedding ingenua en los archivos del repositorio,
• una ventana de contexto abierta alrededor del cursor,
• eventualmente el archivo actual completo.

Funciona para tareas locales (renombrar una variable, corregir una firma). Se derrumba en cuanto hay que entender por qué un test falla tres módulos más allá.

Lo que hace un arnés «rico»

Tres componentes acumulados, en la línea de lo que defiende Perneti en Augment Code:

1. Grafo de dependencias de código —importar, llamar, heredar—: el arnés sigue las aristas para traer las definiciones realmente útiles, no los archivos cercanos textualmente.
2. Historial de ejecución —traces de tests, logs, salida del último pytest o cargo test. El modelo ve lo que ha fallado, no solo el código que falla.
3. Memoria de sesión —las decisiones tomadas en los intercambios anteriores («elegimos la librería X, no Y»), para evitar que el asistente las cuestione en cada turno.

Proyectos open source recientes ilustran cada uno de estos componentes: el ecosistema tree-sitter para el análisis estructural, las herramientas alrededor de ripgrep combinadas con índices semánticos, y los frameworks de agentes que mantienen un «scratchpad» persistente.

Por qué es la clave

Dos razones económicas:

• El precio del token baja, la ventana de contexto sube: podemos permitirnos enviar más. Pero no podemos enviar todo —un monorepo de 500 000 líneas sigue fuera de alcance—. Hay que seleccionar.
• El modelo razona mejor sobre lo que se le muestra en el momento adecuado que sobre lo que se le vierte de golpe. El arnés que prioriza correctamente supera al modelo que ordena mal en su propia ventana.

En otras palabras: la diferencia entre un asistente que toleramos y uno en el que confiamos ya no está en el peso del modelo. Está en la ingeniería de software de su entorno de percepción.

Para recordar

• El «arnés» (context engineering) se ha convertido en el verdadero diferenciador de los asistentes de código —tesis defendida públicamente por Vinay Perneti en Augment Code.
• Un arnés rico combina grafo de código, historial de ejecución y memoria de sesión, no solo búsqueda textual.
• Elegir una herramienta hoy es tanto evaluar su arnés como el modelo que incorpora.