Archivos de configuración 'smelly' lastran a los agentes de IA

Los agentes de inteligencia artificial dedicados a la codificación se han convertido en herramientas indispensables para desarrolladores. Sin embargo, un estudio reciente de la Universidad Federal de Minas Gerais (Brasil) ha destapado un problema oculto: los archivos de configuración que guían a estos agentes —como Agents.md o Claude.md— suelen contener defectos estructurales que los investigadores denominan 'smells' (olores). Estos defectos provocan que los agentes reciban instrucciones redundantes, contradictorias o excesivamente largas, lo que se traduce en un mayor consumo de tokens, costes elevados y respuestas menos fiables.

¿Qué ha ocurrido?

El equipo analizó 100 repositorios populares en GitHub que incluían archivos Agents.md o Claude.md, empleados por agentes como Claude Code, Codex, Cursor y Gemini para definir convenciones de proyecto, flujos de trabajo y conocimientos específicos del dominio. Los resultados fueron contundentes: el 91% de los repositorios presentaba al menos un 'smell', y el 62% sufría de 'fuga de linters' (lint leakage), es decir, instrucciones que repiten reglas ya aplicadas por herramientas automáticas como formateadores o linters. Esto infla innecesariamente el contexto del modelo, desperdicia tokens y distrae al agente de tareas más relevantes.

Otros olores identificados incluyen el 'inflado de contexto' (context bloat), presente en el 42% de los archivos, donde configuraciones excesivamente largas incluyen reglas de baja prioridad que aumentan costos y reducen la atención en instrucciones clave. La 'fuga de habilidades' (skill leakage, 35%) ocurre cuando se incluyen directrices que el agente ya posee por defecto, generando redundancia. Las 'instrucciones conflictivas' (conflicting instructions, 28%) provocan ambigüedad, mientras que la 'fosilización de inicio' (init fossilization, 24%) y la 'referencia ciega' (blind reference, 16%) indican configuraciones obsoletas o referencias a recursos que ya no existen.

¿Por qué es importante?

Los agentes de IA son cada vez más críticos en tareas como generación de código, revisión, creación de pruebas, corrección de errores, migración de software y redacción de documentación. Funcionan combinando un modelo de lenguaje grande (LLM) con un arnés (harness) que ejecuta acciones y llama a herramientas externas. Los archivos de configuración se cargan al inicio de cada sesión y guían el comportamiento del agente durante toda la tarea. Si estos archivos están contaminados con 'smells', el rendimiento del agente se degrada de forma significativa.

El estudio subraya que estos defectos no solo aumentan el coste operativo por el mayor uso de tokens, sino que también pueden hacer que los agentes interpreten incorrectamente las convenciones del proyecto, prioricen instrucciones erróneas y ejecuten tareas de manera subóptima. En un contexto donde las empresas confían cada vez más en agentes de IA para acelerar el desarrollo, la presencia generalizada de estos 'smells' representa un riesgo para la calidad y la eficiencia del software generado.

Consecuencias y recomendaciones

Los investigadores proponen un catálogo de seis olores como herramienta para que desarrolladores y equipos de DevOps auditen y limpien sus archivos de configuración. Entre las recomendaciones prácticas destacan: eliminar reglas redundantes que ya cubren los linters, mantener los archivos concisos y centrados en directrices específicas del proyecto, evitar instrucciones contradictorias, y revisar periódicamente las referencias para evitar enlaces rotos o configuraciones obsoletas.

Además, sugieren que los propios agentes podrían incorporar mecanismos para detectar estos olores y alertar al usuario, o incluso optimizar automáticamente las configuraciones. Herramientas como Claude Code, Cursor o Codex podrían beneficiarse de incorporar análisis de 'smells' en sus flujos de trabajo.

Lo que deben saber los lectores

Para los desarrolladores que ya utilizan agentes de IA, la lección es clara: revisar los archivos de configuración es tan importante como revisar el código fuente. Un archivo Agents.md o Claude.md bien estructurado puede marcar la diferencia entre un agente eficiente y uno que desperdicia recursos y comete errores. Para las empresas, este hallazgo subraya la necesidad de establecer buenas prácticas en la gestión de configuraciones de IA, similar a como se hace con el código tradicional.

El estudio, titulado 'A Catalog of Smells for Coding Agent Configuration Files', está disponible en arXiv y representa el primer trabajo sistemático sobre este problema. Sus autores esperan que sirva como base para futuras investigaciones y herramientas que mejoren la fiabilidad de los agentes de codificación.