Intent Layer: cómo hacer que tus agentes de IA piensen como tus mejores ingenieros

El mapa mental que no viene en el código

Piensa en esto: cuando un ingeniero senior entra a un proyecto nuevo, no necesita leerse los 2 millones de tokens. Ya tiene un mapa mental en la cabeza, construido con años de cicatrices y errores que nadie documentó:

• Sabe que la carpeta legacy/ es territorio prohibido, el código que “funciona pero nadie sabe por qué”.
• Sabe que la lógica de verdad no está en el código bonito, sino en un .yml de configuración escondido tres niveles arriba.
• Sabe qué hilos no debe tirar si no quiere que se caiga todo el castillo de naipes.

Ese mapa es el resultado de años de tropezones, debugging a las 3am y conversaciones de pasillo. El problema es que ese conocimiento no vive en el código, vive en las cabezas de las personas. Y cuando le pides a un agente de IA que trabaje en tu proyecto, lo estás soltando en una habitación a oscuras con una linterna minúscula.

Context Engineering: No busques mejores modelos, construye mejores mapas

La solución que está ganando tracción no es esperar a que los modelos sean más grandes o más inteligentes, sino aplicar Context Engineering. La idea es diseñar la infraestructura de información que el agente consume para que no tenga que adivinar ni explorar a ciegas.

Aquí es donde entra el Intent Layer (Capa de Intención).

No se trata de escribir documentación aburrida para humanos que nadie lee. El Intent Layer es una red de archivos AGENTS.md (o CLAUDE.md) repartidos estratégicamente por tu codebase. Son nodos de contexto diseñados específicamente para máquinas, como migas de pan que guían al agente hacia donde realmente necesita mirar.

¿Cómo funciona?

Es como poner señalética inteligente en el código. Imagina que tu codebase es un aeropuerto enorme: sin señales, cualquiera se perdería buscando su puerta de embarque. En lugar de que el agente haga un grep infinito y lea archivos al azar, encuentra un archivo que le dice exactamente qué camino tomar:

La jerarquía: Contexto “T-Shaped”

Lo más potente del Intent Layer es que funciona de forma jerárquica. Cuando un agente entra en una carpeta, el sistema le carga automáticamente tres capas de contexto:

• El Root Node: La visión global del proyecto: arquitectura general, convenciones de código, y las reglas sagradas que aplican a todo.

• El Parent Node: Las reglas del módulo o servicio: cómo se conecta con otras partes, qué dependencias tiene, qué patrones sigue.

• El Leaf Node: Las mañas específicas de la carpeta donde está trabajando: los edge cases, las trampas conocidas, los “no tocar”.

Es como si el arquitecto del sistema estuviera sentado al lado del agente, susurrándole qué ignorar, dónde mirar, y por qué ese archivo que parece inocente en realidad es una bomba de tiempo.

El resultado: De 40k tokens a 16k y éxito total

En el caso que mencioné al inicio, cuando aplicaron este Intent Layer, el mismo modelo que antes había fallado miserablemente lo resolvió así:

• Cero exploración inútil: El agente leyó el mapa, entendió que el bug era de configuración y fue directo al archivo correcto. Sin rodeos.
• Ahorro brutal de recursos: En lugar de quemar 40k tokens en “ruido” y exploración sin rumbo, usó apenas 16k tokens de contexto de alta calidad.
• A la primera: Encontró el bug y propuso la solución correcta sin alucinar ni inventar código inexistente.

El “Flywheel” de mantenimiento

Lo mejor de este enfoque es que no es un trabajo manual infinito. Existen herramientas (como /intent-layer) que analizan tu estructura de carpetas, detectan dónde falta contexto y te entrevistan para extraer ese conocimiento que tienes en la cabeza pero que nunca llegó al código ni a la documentación.

Al final, tu codebase se convierte en un sistema que aprende y mejora. Cada vez que un agente encuentra una “mina antipersona” o un caso borde inesperado, se documenta en el Intent Layer y el siguiente agente ya nace sabiendo eso. Es conocimiento institucional que no se pierde cuando alguien renuncia o cambia de proyecto.