Context Language Models (CLM): Cómo resolver la saturación de contexto y el Ralph Loop en DeepSeek Harness

01. El Problema: El cuello de botella del contexto y el "Ralph Loop"

Cualquiera que haya utilizado agentes de codificación autónomos (como Claude Code, Codex o DeepSeek Harness) en proyectos reales de software se ha topado con el mismo síntoma: tras 10 o 15 turnos de trabajo intenso, el modelo empieza a responder más lento, alucina con tareas resueltas minutos antes o pierde el hilo de la arquitectura principal.

Esto se debe al paradigma tradicional append-only (solo anexar). Cada vez que el agente ejecuta un comando en la terminal, busca un archivo con grep o consulta la web, la salida entera se concatena de forma perpetua al prompt. Un volcado de un error de compilador o una respuesta JSON de 400 líneas queda grabado en la memoria activa del modelo por el resto de la sesión.

02. La Arquitectura Meta CLM: El contexto como documento vivo

Las investigaciones recientes en Context Language Models (CLM) introducidas en el ecosistema de investigación de Meta y proyectos de referencia como pi-clm proponen un cambio radical: el contexto no debe ser una lista fija inmutable, sino un documento editable en disco.

Bajo esta arquitectura:

• El historial de la conversación se proyecta en tiempo real en un archivo Markdown estructurado (LIVE_CONTEXT.md).
• El agente tiene la capacidad de inspeccionar y podar su propia memoria: puede reemplazar 800 líneas de un error de npm por una nota sintética de dos líneas: "Faltaba la dependencia @types/react, ya instalada".
• Los pasos muertos y experimentos fallidos se eliminan limpiamente del prompt.
• El agente puede mantener un bloque de notas persistentes ([[CTX_NOTES]]) con las decisiones maestras del proyecto, garantizando que jamás se pierda el rumbo.

03. Presentamos dsh-plugin-clm: Control Total en DeepSeek Harness

Para llevar esta potencia al día a día de nuestro equipo en Maxware, desarrollamos y publicamos como código abierto dsh-plugin-clm, un plugin oficial para la plataforma DeepSeek Harness (DSH).

04. Cómo instalarlo en tu DeepSeek Harness (Guía Rápida)

El plugin es completamente libre bajo licencia MIT y está alojado en GitHub. Puedes instalarlo hoy mismo en tu ordenador con cualquiera de estos dos métodos:

dsh plugin add github:maxeone/dsh-plugin-clm

{
  "dependencies": {
    "dsh-plugin-clm": "github:maxeone/dsh-plugin-clm#v1.0.2"
  },
  "dsh": {
    "profile": {
      "bundles": [
        "dsh-plugin-clm"
      ]
    }
  }
}

Una vez instalado, reinicia tu DeepSeek Harness Desktop o recarga la interfaz con Ctrl + R. Verás aparecer el indicador de estado en la barra inferior de entrada.

05. Código Abierto y Futuro de la IA Autónoma

En Maxware creemos firmemente que la próxima gran barrera de la inteligencia artificial no es el tamaño del modelo, sino la ergonomía del contexto. Un modelo pequeño y eficiente con un contexto limpio y quirúrgicamente mantenido superará siempre a un modelo gigante sepultado bajo 200.000 tokens de basura acumulada.

Te invitamos a probar el plugin, dejar una estrella en el repositorio de GitHub y sumarte a la discusión: