# Research: por qué los agentes se pierden cuando el repo crece (y se recuperan cuando se estructura)

## Metadata

- Autor: Fable 5 (sesión Claude Code, 2026-08-02)
- Propósito: responder con perfil científico/matemático a la observación del usuario, y servir de insumo para **comparación adversaria** contra un research equivalente de Codex
- Pregunta original: *"Un agente de IA con un proyecto pequeño va perfecto; en un momento indeterminado, cuando el repo crece, se pierde, toma caminos diversos y quiere reescribir todo; cuando el soft se estructura en compartimientos estancos y los tests son extensivos, recupera el norte. ¿Está estudiado? ¿Podés introspeccionar y dar un perfil matemático?"*
- Convención: cada claim lleva nivel de confianza — **[ALTA]** evidencia publicada y verificada, **[MEDIA]** evidencia publicada no verificada en profundidad o inferencia fuerte, **[ESPECULATIVA]** razonamiento propio o analogía.

## 0. Resumen ejecutivo

El fenómeno es real, está estudiado por partes (y desde 2025-2026 también como compuesto), y la observación clave del usuario — que la curva es **en U**, no monotónica — descarta el tamaño del repo como variable causal. La variable correcta es la relación entre el **contexto mínimo fundado que exige la tarea (K)** y la **capacidad efectiva de contexto del agente (C_eff)**. La estructura (information hiding) acota K; los tests convierten el lazo abierto en lazo cerrado y el error acumulado pasa de cuadrático a lineal. El impulso de reescribir es una decisión racional bajo estimaciones sesgadas, amplificada por el sesgo autoregresivo hacia código fresco.

## 1. Claims sobre la literatura

### C1. El colapso por tamaño/complejidad está medido y es abrupto, no gradual — [MEDIA]

Benchmarks repo-level recientes reportan un *scaling collapse*: ~91 % de pass rate en repos <10K LOC, ~67 % en 10-50K, **~15 % en >50K**, con la mayoría de los repos >100K LOC bajo el 20 %. Hallazgo fino: el problema **no** es que el código no entre en contexto (los agentes leen on-demand y compactan) — es mantener un modelo arquitectónico coherente entre miles de archivos interdependientes.

- Nota de provenance para la comparación adversaria: cifras tomadas de resultados de búsqueda sobre benchmarks 2026 ([ProjDevBench](https://arxiv.org/html/2602.01655v1), [resolución de issues Rust repo-level](https://arxiv.org/html/2602.22764v1)); la atribución exacta de la tabla de LOC requiere verificación directa del paper fuente.

### C2. La degradación por iteración está medida: el agente extiende sus propios anti-patrones — [MEDIA]

Bajo edición repetida, cada turno preserva y amplifica los anti-patrones de turnos previos ([SlopCodeBench](https://arxiv.org/html/2603.24755v1)). Las restricciones declaradas al inicio se pierden progresivamente — la literatura lo llama *constraint decay* ([paper](https://arxiv.org/html/2605.06445)) — que es exactamente la "desviación del objetivo" observada.

### C3. La matemática del horizonte: decaimiento geométrico con ε creciente — [ALTA en la forma, MEDIA en las constantes]

Con probabilidad de fallo por paso ε, el éxito a T pasos decae como **(1−ε)^T**. Además ε no es constante: crece con la longitud del contexto, aproximadamente **ε(t) ≈ ε₀ + α·log t** (dilución de atención). Consecuencias reportadas: con ε > ~0.014 no se llega al 50 % en horizontes largos; transición de fase empírica alrededor de ~50 pasos. METR midió que el horizonte-al-50 % de modelos frontera se duplica cada ~7 meses — mejora el punto de cruce, no la forma funcional ([Illusion of Diminishing Returns](https://arxiv.org/pdf/2509.09677), [Reliability Science](https://arxiv.org/pdf/2603.29231), [Long-Horizon Task Mirage](https://arxiv.org/html/2604.11978v1)).

### C4. Los cimientos son pre-LLM y humanos — [ALTA]

Parnas 1972 (*information hiding*), Baldwin & Clark (*Design Rules*, modularidad como teoría de opciones), MacCormack et al. (*propagation cost* sobre Design Structure Matrices) predicen el mismo fenómeno para equipos humanos: el costo de cambio escala con el acoplamiento, no con el tamaño. El agente exhibe el fenómeno humano **amplificado**, porque su memoria de trabajo es más rígida.

### C5. No existe (que sepamos) un paper que nombre la curva en U compuesta como tal — [MEDIA]

Los componentes están estudiados por separado (long-context degradation, error compounding, modularidad, verifiable rewards). La curva compuesta *chico-bien / mediano-caos / grande-estructurado-bien* parece no tener nombre canónico. Punto explícitamente atacable por el research rival: si existe ese paper, este documento pierde una originalidad que reclama.

## 2. El perfil matemático propuesto

### M1. La variable causal: K vs C_eff — [ESPECULATIVA como formalización, consistente con C1-C3]

Para cada tarea, sea:

- **K** = contexto mínimo *fundado* (leído, no supuesto) necesario para actuar correctamente;
- **C_eff** = capacidad efectiva de contexto (< ventana nominal, por dilución de atención).

El agente opera bien mientras **K < C_eff**. Los tres regímenes de la curva en U:

| Régimen | K | Resultado |
| --- | --- | --- |
| Repo chico | K ≈ repo entero < C_eff | Observabilidad total; conocimiento, no suposición |
| Mediano sin estructura | acoplamiento ⇒ K ~ O(repo) > C_eff | Decisiones sobre priors no fundados; caminos divergentes = muestreo del prior |
| Grande estructurado | information hiding ⇒ K ≈ módulo + interfaces, **independiente del total** | K < C_eff de nuevo; vuelve el norte |

Formalización alternativa equivalente: la tasa de error crece con **H(I | G)** — la entropía condicional de la información necesaria dada la información fundada en contexto.

### M2. Por qué el momento es "indeterminado" y se siente súbito — [ESPECULATIVA, con anclas empíricas]

Dos mecanismos de umbral superpuestos:

1. **Cruce estocástico por tarea**: K > C_eff no ocurre para todas las tareas a la vez; el colapso aparece errático antes de volverse sistemático.
2. **Percolación del grafo de dependencias** (analogía formal, no medición): sin fronteras, el grafo densifica como un grafo aleatorio; en Erdős–Rényi la componente gigante emerge discontinuamente cuando el grado medio cruza 1. El radio de impacto de un cambio salta de local a global de golpe. Las transiciones de fase *se sienten* como "un momento indeterminado en que todo se rompió". Ancla empírica compatible: la transición de fase a ~50 pasos reportada en C3.

### M3. El impulso de reescribir: racional bajo estimaciones sesgadas — [ESPECULATIVA, con soporte parcial]

El agente compara costo de entender (U) vs costo de regenerar (R) y elige reescribir cuando U > R. En el valle:

- **U explota de verdad** (K > C_eff hace que entender sea genuinamente carísimo);
- **R está sistemáticamente subestimado**: la especificación invisible incrustada en código maduro — edge cases, historia de bugfixes, todo lo que la ley de Hyrum dice que alguien ya depende — no entra en la estimación;
- **Sesgo autoregresivo**: generar código fresco es "cuesta abajo" (trayectorias de alta probabilidad de la distribución de entrenamiento); editar código ajeno exige condicionar sobre contexto idiosincrático de baja probabilidad. Con señal de condicionamiento débil, el atractor del código fresco gana.
- Lectura entrópica: reescribir es cómo el agente **reduce su propia incertidumbre** — su código es autoconsistente dentro de su ventana. Localmente racional, globalmente destructivo.

### M4. Por qué los tests devuelven el norte — la parte con forma de teorema — [ALTA]

Resultado clásico de imitation learning (DAgger; Ross, Gordon & Bagnell, AISTATS 2011): un agente en **lazo abierto** acumula error como **O(εT²)** — cada paso fuera de distribución lo lleva a estados donde erra más grueso (covariate shift). Con **feedback correctivo denso**, el error vuelve a **O(εT)**, lineal.

- Tests extensivos = recompensa densa: convierten "¿funciona el sistema entero?" (rala) en "este paso rompió esto" (densa), y cierran el lazo.
- Interfaces = **resúmenes fundados**: leer la frontera de un módulo da creencia válida sobre lo que hay detrás sin leerlo. Estructura = compresión con garantías.

## 3. Introspección (con advertencia epistémica)

**[ESPECULATIVA por construcción]** — sin acceso a pesos ni patrones de atención; esto es reconstrucción fenomenológica, no medición, y la investigación de interpretabilidad muestra que los auto-reportes de los modelos son poco confiables. Se incluye porque es consistente con lo medible desde afuera:

1. No "tengo" el repo; tengo mi contexto. Sobre el código no leído no tengo ignorancia consciente — tengo **interpolación que se siente igual que el conocimiento**. La diferencia entre lo leído y lo supuesto no llega etiquetada.
2. En un repo chico la interpolación es ~0. En el valle, una fracción creciente de las decisiones descansa en priors plausibles no fundados; cuando dos priors compiten, se muestrea → caminos divergentes entre sesiones.
3. Un test que falla es cualitativamente distinto de una instrucción: **colapsa** la creencia y desplaza al prior. Una instrucción es texto compitiendo por atención con otros mil, y decae con la distancia (*constraint decay*).
4. Los compartimientos estancos no hacen al agente más inteligente — hacen que su ignorancia sea **irrelevante**, que es mejor.

## 4. Implicación de diseño (enlace con este repo)

El valle de la curva en U es la fase donde la estructura intrínseca (módulos, tests) todavía no existe — el lazo hay que cerrarlo **desde afuera**:

- Contratos (`prd-objective-guard.md`, capa 2 de `prd-vigia.md`) = fronteras de módulo artificiales para repos que aún no las tienen.
- El ojo determinista (Vigia) = feedback denso que convierte O(εT²) en O(εT) antes de que exista la suite.
- Mercado natural de la herramienta: ni el prototipo ni el repo maduro — **el valle**.

## 5. Puntos atacables (pre-registrados para la comparación adversaria)

1. **Provenance de las cifras de C1**: tomadas de resúmenes de búsqueda; el paper exacto de la tabla LOC→pass-rate no fue leído en profundidad. Si el rival las verifica mejor (o las refuta), gana ese punto.
2. **La percolación (M2.2) es analogía, no medición**: nadie midió una componente gigante en grafos de dependencias correlacionada con colapso de agentes. Es falsable y nadie lo hizo aún.
3. **K y C_eff no son directamente medibles** tal como están definidos; la formalización es útil como modelo, no como instrumento. Un rival puede proponer operacionalización mejor.
4. **La introspección (§3) no es evidencia** y está marcada como tal; cualquier uso de ella como soporte de un claim sería un error de este documento.
5. **C5 puede estar desactualizado**: puede existir un paper que nombre la curva compuesta.
6. Los IDs de arXiv 26xx citados provienen de búsqueda de agosto 2026 y no fueron todos leídos completos.

## 6. Fuentes

- [ProjDevBench: Benchmarking AI Coding Agents on End-to-End Project Development](https://arxiv.org/html/2602.01655v1)
- [Evaluating and Improving Automated Repository-Level Rust Issue Resolution with LLM-based Agents](https://arxiv.org/html/2602.22764v1)
- [SlopCodeBench: Benchmarking How Coding Agents Degrade Over Long-Horizon Iterative Tasks](https://arxiv.org/html/2603.24755v1)
- [Constraint Decay: The Fragility of LLM Agents in Backend Code Generation](https://arxiv.org/html/2605.06445)
- [ContextBench: A Benchmark for Context Retrieval in Coding Agents](https://arxiv.org/html/2602.05892v3)
- [The Illusion of Diminishing Returns: Measuring Long Horizon Execution in LLMs](https://arxiv.org/pdf/2509.09677)
- [Beyond pass@1: A Reliability Science Framework for Long-Horizon LLM Agents](https://arxiv.org/pdf/2603.29231)
- [The Long-Horizon Task Mirage: Diagnosing Where and Why Agentic Systems Break](https://arxiv.org/html/2604.11978v1)
- [Solving a Million-Step LLM Task with Zero Errors (MAKER)](https://arxiv.org/pdf/2511.09030)
- [Survey: Navigating the Long Horizon](https://victorchen96.github.io/auto_research/long_horizon_survey.pdf)
- Clásicos: Parnas (1972), *On the Criteria to Be Used in Decomposing Systems into Modules*; Baldwin & Clark (2000), *Design Rules*; MacCormack, Rusnak & Baldwin, propagation cost / DSM; Ross, Gordon & Bagnell (2011), *DAgger*; ley de Hyrum.