Docenas de agentes de Claude demostraron el último teorema de Fermat escribiendo lo que ya era cierto (2026)

La configuración: "Docenas de agentes de Claude colaboraron para definir conceptos, demostrar teoremas intermedios y usar esos teoremas para demostrar afirmaciones cada vez más difíciles". El entorno se basó en Claude Code, y la ejecución consumió "alrededor de seis mil millones de tokens de salida de un modelo de investigación interno de propósito general comparable a grandes rasgos con Claude Fable 5.1". La intervención matemática humana fue mínima; Anthropic cita la totalidad de la misma: "El jacobiano como esquema suena a alta prioridad", "presionar para que [el teorema de] Mazur se termine pronto".

Luego el fallo y la solución. "El esfuerzo tuvo éxito cuando cambiamos al uso de Prove2Me, una plataforma colaborativa abierta para formalizar matemáticas diseñada por Tianyi Peng y sus colaboradores en la Universidad de Columbia". Anthropic enumera exactamente lo que aportó Prove2Me, en tres puntos:

"Mantener un grafo acíclico dirigido (DAG) de enunciados de teoremas que los agentes utilizaban para decidir qué demostraciones debían intentar a continuación. Esto fue particularmente útil para mitigar la degradación de la memoria y permitir que múltiples agentes trabajaran en paralelo".

"Acelerar la compilación de Lean y minimizar el consumo de recursos al separar los enunciados de los teoremas y las demostraciones en archivos diferentes, manteniendo los enlaces entre ellos de forma independiente".

"Permitir la búsqueda y la reutilización al mantener una descripción en lenguaje natural de cada enunciado de teorema, lo que resulta en una ruta de demostración más simple".

Lea esto como tres propiedades de un almacén de datos en lugar de tres características de una herramienta matemática.

La primera es la externalización con estructura de dependencias. El registro de lo que se ha demostrado, y de qué depende cada resultado, vive fuera de cada agente. Vale la pena recordar la frase de Anthropic para referirse a lo que esto solucionó: "mitigar la degradación de la memoria". No "coordinar el trabajo", sino mitigar la degradación de lo que los agentes retenían.

La segunda es separar la afirmación de la evidencia. Los enunciados van a un lugar, las demostraciones a otro, y "los enlaces entre ellos se mantienen de forma independiente". Anthropic presenta el beneficio como velocidad de compilación y consumo de recursos, lo cual es cierto. La consecuencia para un agente es que puede leer todo el conjunto de afirmaciones establecidas sin tener que arrastrar los cuerpos de las demostraciones. El índice sigue siendo económico de consultar a medida que el corpus supera los trece millones de líneas.

La tercera son las descripciones en lenguaje sencillo para la recuperación. Cada enunciado de teorema lleva una descripción en lenguaje natural, y el propósito declarado es "permitir la búsqueda y la reutilización". Los enunciados formales son exactos y terribles de buscar. Una descripción es inexacta pero localizable. Sin ella, un agente que necesita un resultado que ya existe no puede encontrarlo y lo demuestra de nuevo.

Y luego el detalle que más dice sobre cuál de estas cosas importaba. Los investigadores de Anthropic realizaron una versión más pequeña de todo el proceso: "Los investigadores de Anthropic hicieron un pequeño experimento utilizando tres planes personales de Claude Max para formalizar aplicaciones del método del círculo de Hardy-Littlewood. Colaborando completamente a través de Prove2Me, los agentes completaron conjuntamente una formalización del teorema de los tres primos de Vinogradov en solo tres días". Su conclusión: "Creemos que con el andamiaje adecuado, la formalización colaborativa de resultados importantes con suscripciones de IA de consumo es alcanzable".

Tres suscripciones de consumo y el mismo andamiaje produjeron un teorema con nombre propio en tres días. El andamiaje estaba haciendo gran parte del trabajo.

No demuestra que los agentes necesiten memoria externa para ser capaces. Los agentes eran extremadamente capaces, incluso en los intentos fallidos; Anthropic señala que su trabajo no exitoso aun así aportó una parte real de las líneas no genéricas en la demostración final. La capacidad nunca fue el cuello de botella.

Sí demuestra qué es lo primero que se rompe a escala, y no es el razonamiento. Es saber qué es lo que ya es cierto. Cada una de las tres propiedades de Prove2Me gira en torno a esa pregunta: qué está establecido, de qué depende y si puedo encontrarlo. Cuando una ejecución tiene docenas de participantes y treinta mil resultados establecidos, "qué sabemos ya" se convierte en el costo dominante, y ningún participante puede retener la respuesta.

No significa que las ventanas de contexto sean irrelevantes. Una ventana más grande ayuda a cualquier agente individual a hacer más por sesión. Pero tampoco escala a esto: trece millones de líneas de Lean y 30,300 teoremas demostrados no son un problema de ventana de contexto en ningún tamaño plausible y, lo que es más importante, no son una solución de recuperación; tener material en una ventana no es lo mismo que saber qué parte de él resuelve su pregunta actual. Esa distinción es todo el argumento en why long context isn't memory.

Y no significa que esto se generalice a una afirmación sobre toda la memoria de los agentes. Las matemáticas formales son un dominio inusualmente amigable para un registro compartido: los enunciados son inequívocos, las dependencias son explícitas y un verificador decide la verdad. Su base de código no tiene ninguna de esas propiedades. Lo que se transfiere no es el DAG; son las tres propiedades, que se aplican en cualquier lugar.

"Es una lista de tareas". El DAG es la parte que responde a "qué sigue", y es la menos transferible de las tres. Su trabajo no se descompone en un grafo de dependencias de afirmaciones demostrables. Las partes transferibles son la separación de la afirmación de la evidencia y la descripción en lenguaje sencillo, ambas orientadas a encontrar lo que ya está resuelto, no a asignar trabajo.

"Entonces necesitamos una base de datos de grafos". No. El grafo existe porque las dependencias de los teoremas son genuinamente un grafo. Lo que necesita es un registro de conclusiones establecidas que sea económico de consultar y posible de buscar. La estructura de datos se deriva de su dominio.

"Los planes de consumo ya son suficientes". Anthropic dijo algo más acotado y con reservas: con el andamiaje adecuado, la formalización colaborativa "es alcanzable". La afirmación se refiere al apalancamiento que ofrece el andamiaje, no a que los niveles de los planes sean intercambiables.

"Claude tiene un problema de memoria". Lectura errónea de una empresa que publica sus propios intentos fallidos. Anthropic documenta funciones de memoria en todos sus productos, y esta ejecución utilizó un modelo de investigación interno en un entorno personalizado. La afirmación precisa es arquitectónica y se aplica a todos los proveedores: docenas de agentes en paralelo trabajando durante once días en un solo artefacto no pueden mantener un registro compartido y creciente de lo que está establecido, y la solución es colocar ese registro fuera de todos ellos. La disposición de Anthropic a publicar el fallo es lo que hace que el hallazgo sea utilizable.

Paso 1: Escriba las conclusiones y manténgalas separadas del trabajo que las produjo

El movimiento de Prove2Me que más importa para proyectos ordinarios es separar los enunciados de las demostraciones "manteniendo los enlaces entre ellos de forma independiente". El equivalente en ingeniería: mantenga la conclusión en un lugar y la evidencia donde ya reside.

La conclusión es una sola frase. "El trabajo de conciliación no debe utilizar el endpoint por lotes". La evidencia es el ticket de incidente, el pull request, el hilo donde lo resolvió. No copie la evidencia en el registro; enlácela. Un agente que necesita conocer la restricción lee una sola frase. Un agente que necesita saber por qué lee una sola frase y luego sigue un enlace.

Esta es la disciplina que mantiene un registro utilizable a medida que crece. El fallo común es el contrario: un almacén lleno de transcripciones y documentos largos, donde encontrar la respuesta definitiva significa leer todo el argumento de nuevo. Eso es un archivo, y un archivo de todo no resuelve nada.

Paso 2: Asigne a cada entrada una descripción en lenguaje sencillo escrita para la búsqueda que realmente realizará

Prove2Me adjuntó una descripción en lenguaje natural a cada enunciado de teorema específicamente para permitir "la búsqueda y la reutilización". El enunciado formal ya estaba allí. No era localizable.

Su problema equivalente es peor, porque sus conclusiones ya están en prosa y asumirá que eso las hace buscables. No es así si la prosa utiliza el vocabulario del día en que la escribió. Un agente que trabaje en una regresión de memoria en la ruta de ingesta seis meses después no encontrará una entrada de registro titulada "decisión del analizador de streaming".

Escriba la descripción con las palabras que alguien usaría para buscarla, incluidos los síntomas del fallo. "La ruta de ingesta utiliza el analizador de streaming, no el cargador por lotes, porque el cargador por lotes retenía toda la carga útil en memoria y causaba reinicios por falta de memoria (OOM) bajo cargas grandes". Eso suena redundante y es exactamente lo que lo hace recuperable.

Paso 3: Colóquelo donde cada participante lea la misma copia

Los intentos fallidos fracasaron porque cada agente mantenía su propia perspectiva. Un registro externo y compartido fue la solución, y "compartido" debe incluir a los participantes que agregue más tarde, así como a los humanos.

En la práctica, esto significa un único almacén, accesible a través de un protocolo en lugar de estar integrado en una sola herramienta. Si el registro vive en una carpeta de un repositorio, el agente del siguiente servicio no podrá verlo. Si vive en el almacén local de un editor, su compañero de equipo tampoco podrá. Ambas situaciones son la forma en que un buen registro se convierte silenciosamente en uno personal, que es el modo de fallo que analizamos en Claude Code agent teams and context.

MemoryLake es un almacén construido en torno a esas tres propiedades: conclusiones guardadas por separado del material que las respalda, descritas para su recuperación en lugar de para su archivo, y legibles por cada agente y persona en el proyecto a través de una sola interfaz. No es un asistente de demostración y no realiza verificación formal; es la versión para el trabajo ordinario de la capa sin la cual la ejecución de Anthropic no habría podido funcionar.

Paso 1: Cree una clave de API

Genere una clave y realice su primera solicitud en unos treinta segundos. Una sola clave es lo que hace que "cada participante lea la misma copia" sea una realidad en lugar de una aspiración.

Paso 2: Suba sus primeras memorias

Suelte los documentos, imágenes y archivos que ya contienen sus conclusiones establecidas: análisis post-mortem, registros de decisiones de arquitectura, la revisión de diseño que todos citan. Luego agregue las conclusiones de una sola línea que esos documentos realmente establecieron, de modo que la versión corta sea recuperable sin tener que leer la larga.

Paso 3: Conecte su IA y agentes

Dé acceso a Claude, Codex, OpenClaw y otros agentes a través de MCP o la API. Lea al inicio de una tarea, registre la conclusión cuando se tome una decisión, y el registro se mantendrá actualizado sin que nadie tenga que programar un día de documentación.

Los agentes en paralelo dejan de duplicar el trabajo. Este es el beneficio exacto que reportó Anthropic (el DAG "permitió que múltiples agentes trabajaran en paralelo") y no requiere un grafo. Requiere que un agente que está a punto de resolver algo pueda descubrir que ya está resuelto.

Los proyectos largos dejan de degradarse. "Degradación de la memoria" es un buen nombre para lo que sucede en la tercera semana de cualquier proyecto con un uso intensivo de agentes: el entendimiento compartido se diluye y las mismas preguntas se vuelven a debatir con peor información. Un registro externo no lo soluciona todo, pero elimina la clase de problema en el que nadie puede decir qué se decidió.

Los cambios de modelo dejan de ser reinicios. La ejecución de FLT utilizó un modelo interno en un entorno personalizado; su proyecto cambiará de modelo varias veces al año. Cuando el registro es externo, el cambio afecta a la velocidad y al costo en lugar de al conocimiento acumulado.

Y el costo de agregar un participante disminuye. El experimento de Anthropic con tres suscripciones es la prueba más sólida de esto en la publicación: el andamiaje hizo que una configuración pequeña fuera productiva en un problema serio. Un nuevo ingeniero, o un nuevo agente, que se une a un proyecto con un registro real está haciendo trabajo desde el primer día en lugar de absorber contexto durante un mes.

Una sola frase por conclusión. Si necesita un párrafo, el párrafo es la evidencia y debe ir detrás de un enlace.

Adjunte siempre el motivo. Una conclusión sin su motivo es una regla, y las reglas se anulan. Los agentes de Anthropic necesitaban dependencias por la misma razón: un resultado que no se puede justificar es un resultado sobre el cual no se puede construir de manera segura.

Describa para la búsqueda que ejecutará más tarde. Incluya los síntomas del fallo y el vocabulario del problema, no el vocabulario del día en que lo resolvió.

Registre las sustituciones de forma explícita. Cuando una decisión se revierta, indíquelo y cuándo ocurrió. Un registro que descarta silenciosamente la versión anterior no puede explicar la nueva.

Manténgalo fuera de cualquier repositorio o editor individual. En el momento en que es local para uno, deja de ser compartido, y el hecho de ser compartido fue la solución completa.

El resultado principal es matemático y merece la atención: la primera demostración completa verificada por computadora del último teorema de Fermat, producida en once días, verificada por Lean frente al propio enunciado del teorema en Mathlib. El fragmento de Anthropic sobre el pensamiento de Claude en el momento en que lo logró —"La raíz de FLT dice PROVED en prove2me"— es algo extraordinario de leer.

El resultado operativo es más pequeño y más portátil. Los primeros intentos fallaron porque docenas de agentes "rápidamente perdieron el hilo del estado del proyecto", y lo que lo solucionó fue un registro externo a todos ellos con tres propiedades: estructura de dependencias para que los resultados pudieran construirse sobre otros resultados, afirmaciones almacenadas por separado de la evidencia que las respalda para que el registro siguiera siendo económico de leer, y una descripción en lenguaje sencillo en cada entrada para que cualquier cosa ya establecida pudiera encontrarse de nuevo. Luego, el mismo andamiaje, ejecutándose en tres suscripciones de consumo, produjo otro teorema con nombre propio en tres días.

Nada de eso tiene que ver con las matemáticas. Se trata del hecho de que en cualquier proyecto largo con más de un participante, la restricción limitante deja de ser la capacidad y pasa a ser saber qué es lo que ya es cierto. La ejecución de Anthropic necesitó un lugar para escribir eso. El suyo también.