Los agentes de LLM se desglosan en tareas largas. Aquí es donde realmente importa la ingeniería de contexto. Los agentes pueden razonar y usar herramientas, pero las operaciones extendidas provocan un crecimiento ilimitado del contexto y errores acumulados. Soluciones comunes como la compresión de contexto o la recuperación aumentada de prompting obligan a hacer compromisos entre fidelidad de la información y estabilidad del razonamiento. Esta nueva investigación introduce InfiAgent, un marco que mantiene el contexto de razonamiento del agente estrictamente acotado independientemente de cuánto dure la tarea. La idea es externalizar el estado persistente en una abstracción centrada en archivos. En lugar de meter todo en contexto, el agente mantiene un espacio de trabajo de archivos que persisten a lo largo de los pasos. En cada punto de decisión, reconstruye el contexto a partir de una instantánea del estado del espacio de trabajo más una ventana fija de acciones recientes. Esto desacopla la duración de la tarea del tamaño del contexto. Tanto si la tarea dura 10 pasos como si son 1000, el contexto de razonamiento se mantiene igual. Esto es bueno porque el enfoque no requiere ajustes finos específicos para cada tarea. El agente opera de la misma manera, independientemente del dominio. Experimentos en DeepResearch y una tarea de revisión bibliográfica de 80 artículos muestran que InfiAgent con un modelo de código abierto de 20B es competitivo con sistemas propietarios de mayor tamaño. Mantiene una cobertura de largo horizonte sustancialmente mayor que las líneas base centradas en el contexto. La revisión bibliográfica de 80 artículos es especialmente reveladora. Ese es exactamente el tipo de tarea prolongada en la que los agentes tradicionales acumulan errores y pierden la pista de lo que han hecho. La externalización de estado basada en archivos de InfiAgent evita esta degradación. Papel: Aprende a crear agentes de IA efectivos en nuestra academia: