Reducción del desperdicio de tokens y errores de puntería en agentes Claude mediante la configuración de Fallow
makedream2026年5月1日
0
Computing/Software
Comments (0)
Log in to leave a comment
No posts yet
makedreammakedreamLog in to leave a comment
No posts yet
Si ha intentado usar agentes de IA en un monorepo a gran escala, se habrá dado cuenta rápidamente: leen miles de archivos de forma indiscriminada, vaciando su billetera, mientras que el código que generan suele ser basura que ha perdido el contexto. Antes de culpar a la inteligencia del agente, debemos fijarnos en qué le estamos dando de comer. A continuación, presentamos métodos específicos para que el agente lea solo el "código realmente crítico" utilizando Fallow, una herramienta de análisis de código basada en Rust.
Entregar todo el código base a un agente es irresponsable. Cuando hay demasiada información, el modelo sufre el fenómeno "Lost in the Middle" (perdido en el medio), olvidando el contenido intermedio. Es necesario limitar físicamente el rango de exploración del agente mediante la función de indexación de Fallow.
.fallow.json en la raíz del proyecto. En el array exclude, incluya **/dist/**, **/tests/** y paquetes legados. Reducir el ruido es la prioridad.rules, establezca el umbral de high-complexity en torno a 15. Este es un mecanismo para obligar al agente a revisar primero los módulos con mayor complejidad cognitiva.strictBoundaries. Esto evita el desastre de que el agente ignore los límites de los paquetes y enrede las dependencias.Solo con esta configuración, el número de archivos que lee el agente cae drásticamente. En la práctica, bloquear la lectura de archivos innecesarios puede ahorrar más del 40% en costos de API.
No deje que el agente busque problemas leyendo el código línea por línea. Eso es un desperdicio de dinero. Es mucho más rápido y preciso entregarle un resumen de los datos estructurales precalculados por Fallow.
Ejecute fallow audit --format json > audit_report.json en la terminal para extraer un informe de complejidad y violaciones de arquitectura. Inserte este JSON directamente en la ventana de contexto de Claude o consúltelo en un archivo CLAUDE.md. En el system prompt, simplemente escriba: "Antes de realizar modificaciones, verifique obligatoriamente el verdict y el puntaje de complexity del informe, y trabaje comenzando por los módulos con puntajes más bajos".
El desarrollador no necesita dar explicaciones extensas. El agente comenzará la cirugía por el código más deteriorado, siguiendo las prioridades ya organizadas por los datos.
El análisis estático por sí solo no puede determinar si el código se está ejecutando realmente. El principal culpable en los monorepos es el "código zombie": aquel que mantiene referencias pero que nadie llama en realidad. Como demostró el framework SCARF de Meta, la eliminación segura solo es posible combinando el análisis estático con la cobertura dinámica.
Recopile datos de cobertura de V8 (NODE_V8_COVERAGE) y luego ejecute la función runtime-sync de Fallow. Obtendrá una lista de "funciones que tienen referencias estáticas pero que no se han ejecutado ni una sola vez en el último mes". Entregue esta lista al agente y pídale que solicite aprobación para su eliminación. Escuchará de boca del agente argumentos como: "Esta función no tiene registros de llamadas en 6 meses, por lo que es seguro eliminarla".
No se debe fusionar (merge) el código escrito por un agente solo porque funcione en el momento. Es necesario verificar si perjudica la legibilidad a largo plazo. Fallow calcula el índice de mantenibilidad (MI) combinando la complejidad de Halstead y el número de rutas lógicas.
Añada un paso fallow audit --base main --format json en GitHub Actions. Simplemente configure que la compilación falle si el health_score cae por debajo de 70 puntos.
Este único filtro ahorra a los desarrolladores senior más de 2 horas de revisión cada semana. En lugar de limpiar el desastre dejado por el agente, solo tienen que revisar el diseño de un código de alta calidad ya verificado por la máquina. En la colaboración con agentes, la diferencia de productividad radica en qué tan fríamente se utilicen estas herramientas deterministas.