El AI como alumno: enseñarle tu lógica es la verdadera ventaja
Charla de 賴俊吾 (Codotx) en el Taipei WordPress Meetup, en CollaPlay, Wanhua. Audiencia mayormente no técnica, y justamente por eso la charla es valiosa: consigue explicar agentes de IA sin tecnicismos usando una sola metáfora sostenida — el AI como 學生, un alumno.
La tesis de apertura:
“Saber usar AI” ya es el piso mínimo, no el diferencial. Como “saber usar Word” — nadie lo pone como ventaja. La verdadera 護城河 (foso defensivo) es poder enseñarle tu lógica al AI, no solo usarlo.
Los malos hábitos del alumno
Tres limitaciones de los LLMs, en versión metáfora:
- 金魚腦 (cerebro de pez dorado): cierras la ventana y olvida todo; la próxima vez eres un desconocido
- 注意力不集中 (falta de atención): en tareas largas solo recuerda el inicio y el final — el context window
- 莫名的自信 (confianza inexplicable): no avisa cuando solo tiene un 60% de certeza — las alucinaciones
Las tres memorias: AGENTS.md, MEMORY.md, SKILL.md
La parte más útil de la charla es el framework de memoria, que mapea 1:1 con lo que uso en Claude Code:
AGENTS.md son los principios persistentes — la analogía es la lista de recordatorios pegada en el refrigerador. Qué SÍ poner: rol, idioma de respuesta, formato, tono. Qué NO poner: todos pendientes, detalles de proyecto que cambian, contraseñas.
En Claude Code esto se estratifica: ~/.claude/CLAUDE.md (personal, todos los proyectos), /project/CLAUDE.md (compartido con el equipo), /project/CLAUDE.local.md (privado). Y una regla que me pareció oro: si hay conflictos entre capas, el modelo “丟骰子決定” — decide tirando un dado. Evitar contradicciones entre capas no es opcional.
MEMORY.md es el cuaderno que el AI construye por sí mismo mientras trabaja, y consulta automáticamente en situaciones similares.
SKILL.md es la tabla de combos de Chun-Li en Street Fighter: una secuencia predefinida que ejecutas con un comando sin repensar los inputs cada vez. Su pipeline para WordPress: /plan → /todo --tdd → /review → /verify → /submit-review.
El demo: 23 agentes, 22 minutos
El plato fuerte fue un Dynamic Workflow en vivo. Prompt del orquestador: analizar los últimos 30 días de conversaciones de LINE, historial de pedidos, productos y artículos de un e-commerce real, y proponer nuevos productos priorizando validación de mercado barata.
El resultado: 23 agentes en ~22 minutos, organizados en fases — 7 en paralelo extrayendo datos, 3 analizando (pain points, ingresos, audiencia), 3 proponiendo, y una fase de revisión adversarial (“asume que falla, refuta”) de la que solo sobrevivió 1 propuesta de 9. El hallazgo: un gap de mercado en notificaciones LINE/SMS sin WooCommerce.
Esa fase adversarial es lo que más me interesa replicar: la mayoría de pipelines multi-agente generan; pocos destruyen sistemáticamente lo generado antes de presentarlo.
Mis take-aways
- El framework AGENTS/MEMORY/SKILL es equivalente al sistema de Claude Code, pero con nomenclatura más accesible para no-devs — útil para explicar esto en el trabajo
- Tengo cosas en mi
CLAUDE.mdglobal que deberían estar en MEMORY o en contexto de proyecto - El Dynamic Workflow de 23 agentes es replicable con el tool
Taskde Claude Code — pendiente experimentar - La regla del dado 🎲 es real: auditar conflictos entre capas de configuración
El cierre de la charla: 在 AI 強大的年代，培養自己專屬的工作流 — en la era del AI potente, cultiva un flujo de trabajo que sea tuyo.