---
title: Investigadores de Microsoft descubren que borrar el historial de chat mejora el rendimiento de los agentes de inteligencia artificial
url: https://www.elseif.net/es/investigadores-de-microsoft-descubren-que-borrar-el-historial-de-chat-mejora-el-rendimiento-de-los-agentes-de-inteligencia-artificial
published: 2026-10-15T15:08:30+00:00
language: es
section: Agentes
source: https://the-decoder.de/fork-and-flush-ki-agenten-arbeiten-besser-wenn-man-ihren-chat-verlauf-loescht/
organizations: Microsoft Research, GitHub Copilot
publisher: elseif
---

# Investigadores de Microsoft descubren que borrar el historial de chat mejora el rendimiento de los agentes de inteligencia artificial

Investigadores de Microsoft Research han determinado que los agentes autónomos de inteligencia artificial funcionan mejor cuando se elimina su historial de chat acumulado. El estudio indica que el contexto de las conversaciones largas puede atrapar a estos sistemas en regiones de soluciones locales, impidiendo que encuentren enfoques más efectivos.

Los científicos analizaron agentes de autoinvestigación que proponen y evalúan soluciones de forma iterativa. Observaron que ocho ejecuciones independientes de un mismo agente en la misma tarea alcanzaron niveles de rendimiento muy distintos, con puntuaciones finales que oscilaron entre 68,3 y 100,0. Estas diferencias persistieron incluso tras aplicar un presupuesto de cómputo adicional considerable.

El fenómeno fue identificado como sumideros de ideas. Mediante el uso de un mapa bidimensional, los investigadores vieron que las soluciones de una sola ejecución solían permanecer en una región pequeña y poco productiva. Los agentes gastaban la mayor parte de sus recursos refinando ideas dentro de estas zonas en lugar de descubrir mejores alternativas encontradas por otras ejecuciones, un patrón que continuaba incluso si el historial se comprimía periódicamente.

Para solucionar esto, propusieron el método Fork-and-Flush. Esta técnica divide al agente en trayectorias paralelas que heredan el área de trabajo y los archivos generados, pero eliminan completamente el contexto del chat. Esto permite que cada trayectoria inicie una conversación fresca basándose en los resultados previos, restaurando la diversidad de búsqueda y evitando que la argumentación anterior condicione los pasos siguientes.

La metodología fue probada en 13 tareas de largo plazo, incluyendo criptoanálisis y optimización de núcleos VLIW, utilizando los modelos GPT-5.6-terra y GPT-5.5 a través de GitHub Copilot CLI. Con el mismo presupuesto de cómputo, Fork-and-Flush logró una puntuación promedio normalizada de 0,78, frente al 0,47 de las ejecuciones individuales y el 0,54 de la opción Best-of-4. Esto representa una mejora relativa del 66,0 por ciento y el 44,4 por ciento, respectivamente.

El estudio también evaluó si modelos más potentes evitaban este problema utilizando problemas MAX-3-SAT con Qwen3.5-4B, 9B y 27B. Los resultados mostraron que la varianza es mayor cuando la tarea está justo en el límite de las capacidades del modelo. Los autores concluyen que, dado que los problemas de investigación abierta se encuentran en ese límite, los reinicios regulares del contexto seguirán siendo útiles incluso en modelos futuros más fuertes.