Cómo guiar lo que los Cosmos Experts de Augment aprenden de tu feedback (Guía 2026)

Está activada por defecto, en un ámbito que alguien más eligió

La memoria "permite que un Expert retenga contexto útil a través de las sesiones" y "almacena conocimiento acotado en el sistema de archivos virtual (VFS) compartido, de modo que las sesiones futuras puedan aplicar preferencias, convenciones y lecciones establecidas sin depender de la conversación actual".

El ámbito (scope) es donde ocurre el primer desajuste: "La memoria de un Expert pertenece a su equipo y está separada por un ámbito adecuado para el flujo de trabajo. Los Experts basados en repositorios suelen utilizar un ámbito por repositorio, mientras que otros Experts pueden utilizar un ámbito global, de canal, de proyecto o específico del usuario".

Cinco ámbitos posibles, y el valor por defecto es el que se ajuste a la plantilla. Un Expert con ámbito global cuando debería haber sido por repositorio aprende las convenciones de un equipo y las aplica en todas partes. Uno con ámbito por repositorio cuando debería haber sido global vuelve a aprender lo mismo en cada repositorio.

Dos rutas de escritura, y solo una de ellas espera

Este es el mecanismo que vale la pena entender correctamente, porque determina cómo un solo comentario informal afecta a todo lo que viene después.

"Simple memory (memoria simple) es la opción por defecto. Escribe feedback humano explícito y de alta calidad directamente en un archivo de conocimiento curado. Esto funciona bien para preferencias y reglas permanentes que son autoritativas por sí mismas".

"Noisy memory (memoria ruidosa) utiliza un registro de evidencia más un archivo de conocimiento curado. Combina señales más débiles a lo largo del tiempo y promueve un aprendizaje solo después de que la evidencia es lo suficientemente sólida".

Y la parte que explica por qué no puedes distinguirlas desde fuera: "Ambos modelos exponen la misma vista de conocimiento curado a los lectores. La diferencia es cómo se produce esa vista: la memoria simple registra hechos confiables directamente, mientras que la memoria ruidosa destila la evidencia repetida antes de presentarla a futuras sesiones".

Así que un archivo de conocimiento legible que parece idéntico puede estar respaldado por un solo comentario o por doce que lo corroboren. Si estás depurando por qué un Expert cree algo, eso es lo primero que debes establecer.

No todo lo que haces tiene la misma fuerza de señal

Code Review Memory ejecuta el modelo ruidoso, y su documentación es inusualmente específica sobre la ponderación: "El feedback humano explícito tiene más peso que las reacciones o un resultado inferido, por lo que el feedback sólido puede convertirse en memoria útil de inmediato, mientras que las señales más débiles deben repetirse".

Tres niveles, en efecto. Un comentario escrito puede registrarse de inmediato. Una reacción a un hallazgo del agente, o el hecho de que se haya fusionado un cambio, necesita repetición. El sistema también filtra: "Se descartan los agradecimientos rutinarios, las actualizaciones de bots y los comentarios que solo son de proceso".

Ese es un diseño sensato. También significa que un comentario informal como "sí, de acuerdo" no es neutral: es una señal débil que se registra, y suficientes de ellas terminan sumando.

Te lo avisa, y la mayoría de la gente no está mirando

Hay un paso de veto y es fácil pasarlo por alto: "En las sesiones interactivas, te avisa cuando recuerda algo para que puedas corregirlo o vetarlo".

La palabra clave aquí es interactivas. Los Experts en segundo plano (y Code Review Memory es explícitamente "un Template Expert en segundo plano") realizan su captura cuando se fusiona un pull request, sin nadie en el proceso para objetar.

Presenta los conflictos en lugar de resolverlos

En la ruta de lectura: "Al inicio del trabajo relevante, el Expert carga la memoria para el ámbito actual. Aplica la guía coincidente y señala las discrepancias cuando la evidencia actual entra en conflicto con una regla recordada".

Señalar es mejor que aplicar silenciosamente una regla obsoleta, pero no es lo mismo que solucionarla. La entrada obsoleta permanece hasta que alguien la edita, que es el problema general cubierto en detecting conflicts in AI memory.

Desactivar la memoria. Está disponible (puedes decirle al Advisor que no la conecte) pero desecha la parte útil junto con la parte ruidosa. El aprendizaje que proviene del trabajo continuo es exactamente lo que las instrucciones no pueden capturar.

Poner todo en las instrucciones del Expert en su lugar. Augment aborda esto directamente: "Usa skills o instrucciones de Expert para flujos de trabajo explícitos; usa la memoria para el contexto aprendido a través del trabajo continuo". Y en el lado de la revisión: "Code Review Memory no es lo mismo que crear una skill para cada repositorio. Las skills proporcionan instrucciones y flujos de trabajo explícitos y reutilizables. La memoria es un contexto en evolución respaldado por evidencia que los Experts de revisión cargan automáticamente para el repositorio que están revisando". Dos tareas distintas, y forzar a un solo mecanismo a hacer ambas cosas lo hace peor en cada una.

Usar el ámbito más amplio para que todo esté disponible en todas partes. La guía oficial dice lo contrario: "Usa el ámbito estable más estrecho que coincida con el flujo de trabajo, como un repositorio para la revisión de código o un canal para el triaje de feedback". Un ámbito amplio no hace que un Expert esté mejor informado; hace que la recuperación sea más ruidosa.

Cambiar todo a memoria ruidosa porque suena más riguroso. También va en contra de la documentación: "Prefiere la memoria simple a menos que el flujo de trabajo realmente necesite evidencia repetida y ponderada". La memoria ruidosa retrasa el aprendizaje por diseño. En un flujo de trabajo donde tu feedback es autoritativo, ese retraso es un costo puro.

Tratar lo que recordó como algo definitivo. "Trata la memoria como un contexto en evolución, no como una regla incuestionable. Los Experts deben presentar las contradicciones en lugar de ignorar la evidencia actual". Un recuerdo es una afirmación con un historial, no una decisión, que es la distinción detrás de memory provenance.

Asumir que el Expert de otro equipo lo asimilará. No lo hará: "Cada equipo de Expert posee y mantiene su memoria en lugar de modificar el conocimiento curado de otro equipo". La propiedad es un límite, no un inconveniente que se deba esquivar.

Paso 1: Elige el ámbito estable más estrecho para cada Expert

Revisa tus Experts y escribe, para cada uno, cuál es el ámbito más pequeño que aún cubre su trabajo. La palabra estable tiene un peso real en la redacción de Augment: el objetivo es el ámbito más estrecho que no necesite ampliarse el próximo mes, no el ámbito más estrecho imaginable.

Los propios ejemplos de la documentación apuntan al instinto correcto: "un repositorio para la revisión de código o un canal para el triaje de feedback". Un Expert de revisión que trabaja en un repositorio no necesita un ámbito global. Un Expert de triaje que vigila un canal no necesita un ámbito de proyecto.

Dos preguntas resuelven la mayoría de los casos. ¿El conocimiento aprendido aquí sería incorrecto en otro lugar? Si es así, redúcelo. ¿Tendrías que enseñar esto mismo de nuevo en otros tres lugares? Si es así, es una señal de que el conocimiento no es realmente específico del Expert; guarda esa idea para el Paso 3.

También define la visibilidad mientras estás aquí, ya que viaja con el ámbito: "La memoria se puede compartir con una organización o mantenerse dentro del VFS de un usuario, según la visibilidad del Expert".

Paso 2: Haz coincidir el modelo de memoria con la confiabilidad de tus señales

Una pregunta por Expert: ¿el feedback que recibe este Expert es autoritativo por sí mismo?

Si un humano escribe una corrección y esa corrección es simplemente correcta, usa la memoria simple (simple memory). Preferencias, reglas permanentes, convenciones que ya hayas decidido. Escribe "feedback humano explícito y de alta calidad directamente en un archivo de conocimiento curado", y la inmediatez es su principal característica.

Si las señales son mixtas (reacciones, resultados de fusiones, inferencias, comentarios de diversa seriedad), usa la memoria ruidosa (noisy memory) y deja que el registro de evidencia haga su trabajo. Code Review Memory es el caso de referencia, y la razón está declarada: "los comentarios de revisión, las reacciones, las observaciones del agente y los resultados de los cambios conllevan diferentes niveles de confianza".

Luego aplica el segundo filtro oficial, que se refiere al volumen más que al mecanismo: "Guarda información solo cuando pueda cambiar una decisión futura o un área de enfoque". Un Expert que registra todo produce un archivo de conocimiento que nadie lee, y un archivo de conocimiento que nadie lee es donde viven las entradas obsoletas.

Para la ruta de revisión específicamente, conoce qué se está vigilando para que puedas ser deliberado en las revisiones: "registra comentarios humanos útiles, reacciones a los hallazgos del agente, solicitudes de cambios abordadas y el resultado del cambio". Tu reacción ante un hallazgo del agente son datos de entrenamiento. Trátala de esa manera.

Paso 3: Lee el archivo de conocimiento y mueve los hechos que no sean específicos del Expert

Dos hábitos, y el segundo es la solución estructural.

Primero, léelo realmente. La memoria se escribe "como Markdown legible bajo su propio directorio VFS", y en el lado de la revisión la división del almacenamiento es explícita: "Un registro de migas de pan (breadcrumb log) sin procesar preserva la evidencia recopilada de las revisiones, mientras que un archivo de conocimiento curado contiene la guía concisa consumida por los Experts de revisión". Lee el archivo curado para ver qué creen tus Experts; lee el registro de migas de pan cuando quieras saber por qué. Prográmalo (una vez al mes es suficiente) porque los Experts en segundo plano capturan sin el paso de veto interactivo, y esta es la única revisión que ocurre.

Segundo, nota qué sigue apareciendo en el archivo de más de un Expert. Tus decisiones de arquitectura. Tu vocabulario de dominio. Qué servicio es dueño de qué. Por qué todavía existe algo obsoleto. Ese conocimiento no es lo que un rol en particular aprendió a través de su propio trabajo: es lo que tu organización sabe, y el alcance por Expert significa que cada Expert lo aprende por separado o lo entiende mal.

El consejo de delimitación de Augment es correcto para el conocimiento al que se refiere, pero no tiene una respuesta para el conocimiento que es genuinamente compartido. Eso pertenece a una capa que ningún Expert posee. MemoryLake se configura en tres pasos.

Paso 1: Crea una clave de API

Inicia sesión y genera una clave de API desde tu panel de control. No está acotada a un Expert, un equipo o un repositorio, que es la propiedad que importa para los hechos que son verdaderos independientemente de qué Expert esté preguntando.

Paso 2: Sube tus primeras memorias

Introduce lo que encontraste que se repetía en los archivos de los Experts: decisiones de arquitectura y sus razones, términos de dominio, propiedad de servicios, restricciones permanentes, las respuestas que sigues dando en las revisiones.

Deja el material aprendido a través del trabajo donde está. El registro de un Expert sobre los falsos positivos que ha dejado de señalar en un repositorio es exactamente lo que debe permanecer acotado a ese repositorio.

Paso 3: Conecta tu IA y agentes

Apunta tus agentes al almacén. Un nuevo Expert comienza a partir de los hechos de tu organización en lugar de desde cero, y la corrección de un hecho compartido se aplica una sola vez en lugar de una vez por Expert, que es el propósito de setting up shared AI memory for a team.

El primer cambio es que delimitar un ámbito estrecho deja de costarte cobertura. En este momento, estrechar el ámbito de un Expert significa que sabe menos sobre tu organización. Cuando los hechos compartidos provienen de otra parte, un ámbito estrecho solo significa un historial más limpio.

El segundo es que la elección del modelo se vuelve fácil. Simple para feedback autoritativo, ruidoso para señales mixtas, y ninguno tiene que cargar con hechos de fondo, que es lo que empuja a la gente hacia ámbitos amplios y a guardar en exceso.

El tercero es que el hábito de revisión se vuelve manejable. Un archivo curado limitado a lo que un Expert realmente aprendió es lo suficientemente corto como para leerlo mensualmente, que es la diferencia entre auditing what your AI remembers y tener la intención de hacerlo.

• Asume que ya está activada. Todos los Template Experts la tienen, y el Advisor la añade a los Experts personalizados por defecto.
• Usa el ámbito estable más estrecho. Un repositorio para revisión de código, un canal para triaje; los propios ejemplos de Augment.
• Prefiere la memoria simple. Cambia a ruidosa solo cuando las señales realmente varíen en nivel de confianza.
• Guarda solo lo que podría cambiar una decisión futura. El filtro de volumen oficial, y el que mantiene los archivos legibles.
• Vigila tus reacciones en las revisiones. Los comentarios, reacciones, solicitudes abordadas y resultados se capturan todos, con diferentes pesos.
• No esperes el paso de veto en el trabajo en segundo plano. Aparece en sesiones interactivas; Code Review Memory se ejecuta en segundo plano.
• Lee el archivo curado mensualmente, y el registro de migas de pan cuando te sorprendas. Uno muestra las conclusiones, el otro muestra la evidencia.
• Respeta el límite de propiedad. Cada equipo de Expert mantiene su propia memoria y no edita la de otro equipo.

Augment te ofrece más control sobre la memoria de los agentes de lo que la mayoría de las herramientas exponen: cinco ámbitos, dos modelos de escritura con semánticas genuinamente diferentes, una jerarquía de señales documentada y archivos legibles que puedes inspeccionar.

Usa los controles de la manera que recomienda la documentación (estrecho, simple por defecto, moderado con lo que se guarda) y luego maneja el único caso que la delimitación de ámbitos no puede resolver: los hechos que cada Expert necesita. Esos no son el aprendizaje de un solo rol, y mantenerlos en una capa compartida es lo que permite que la memoria por Expert se mantenga tan ajustada como debería.