Este artículo continúa "Persiste esto": sacar una información de ChatGPT hacia un almacenamiento permanente.

En aquel primer apaño había descubierto algo bastante sencillo pero que cambiaba muchas cosas: ChatGPT podía escribir una información en Google Sheets y, por tanto, sacarla de su propia ventana de contexto.

Dicho de otro modo, podía darle una memoria externa persistente.

En ese momento, Google Sheets me servía básicamente de bandeja de salida.

Después me hice otra pregunta:

¿podía ese mismo mecanismo bastar para hacer funcionar directamente dentro de ChatGPT mi sistema de Contextos?

Por qué quería sacar el Contexto del Mac

Desde hace un tiempo uso Contextos con Codex y Claude Code.

Y cuando hablo de "Contexto", no hablo simplemente de un historial de conversación ni de un sitio donde guardar unas notas.

La definición que utilizo es mucho más amplia:

Un Contexto es un sistema delimitado por una misión humana, dentro del cual una IA organiza y moviliza lo que se sabe, de dónde se sabe, cómo se relacionan los elementos y en qué punto está el trabajo, con el fin de ayudar al humano a alcanzar su objetivo sin empezar de cero. Al hacerlo, el sistema constituye y hace fructificar un capital informativo duradero: el conocimiento producido sigue disponible, se enriquece con el tiempo y puede reutilizarse para otros objetivos.

Ya había construido un motor que permitía hacer funcionar este principio con Codex o con Claude Code.

En mi Mac funciona bien.

Desde el teléfono también había encontrado una solución: acceder en remoto a Codex, que corre en el Mac.

Pero tiene una debilidad bastante evidente.

Hace falta que:

• el Mac esté encendido;
• siga conectado a Internet;
• el acceso remoto funcione.

En casa, eso no molesta demasiado.

Sobre el terreno, mucho más.

El caso que me interesaba especialmente era el de dos ferias profesionales próximas: salir una semana solo con el teléfono, hablar con expositores, recoger información, preparar entrevistas y, llegado el caso, producir un artículo el mismo día.

No me apetecía depender de un Mac encendido en alguna parte, a decenas o centenares de kilómetros.

Así que me pregunté si podía quitarlo del todo de la ecuación.

El clic: ChatGPT ya tenía casi todo

Mirando el problema de otra manera, me di cuenta de que un motor de Contexto necesitaba al fin y al cabo tres grandes bloques.

• Hace falta un motor capaz de razonar sobre la información.
• ChatGPT ya sabe hacerlo.
• Hacen falta reglas que le expliquen al motor cómo trabajar.
• Las directrices de Proyecto de ChatGPT pueden cumplir ese papel.
• Y hace falta, por último, una memoria que sobreviva a las conversaciones.
• Esa era la pieza que faltaba.

Mi arquitectura podía convertirse entonces en:

Motor         → ChatGPT
Directrices   → Proyecto ChatGPT
Persistencia  → Google Sheets

El hack de persistencia de mi artículo anterior aportaba justamente ese tercer bloque.

A partir de ahí, llevar mi motor de Contexto a ChatGPT dejó de resultar tan exótico.

No necesitaba recrear un sistema completo alrededor de ChatGPT.

El motor de IA ya estaba ahí.

Sobre todo había que darle sus reglas y una memoria externa que supiera leer y modificar.

Cómo llevé el motor a ChatGPT

Al principio intenté meter todas las reglas del motor directamente en las directrices del Proyecto.

No aguantó mucho.

Las directrices de Proyecto están limitadas a unos 8.000 caracteres y mi motor ya necesitaba bastante más.

Así que separé las reglas en dos niveles.

El primer nivel es el CORE.

Es la parte que va directamente en las directrices del Proyecto ChatGPT.

Contiene los elementos absolutamente imprescindibles para que el motor funcione:

• qué es un Contexto;
• dónde se almacena;
• qué comandos existen;
• cómo abrir un Contexto;
• cómo persistir una fuente;
• la estructura de los archivos;
• los principales invariantes;
• la jerarquía de las directrices.

El segundo nivel es una directriz ampliada.

Es mucho más voluminosa y vive en un Google Doc.

Contiene, por ejemplo:

• el método detallado de ingesta;
• los criterios de creación de los conocimientos atómicos;
• la gestión del state y de la synthesis;
• las decisiones;
• las contradicciones;
• las tareas pendientes;
• las estrategias de lectura;
• las reglas de producción;
• la gestión de errores y de los casos límite.

La jerarquía queda así:

CORE
  ↓
Directriz ampliada
  ↓
Directrices propias del Contexto

El CORE sabe dónde está la directriz ampliada e indica a ChatGPT que la cargue al comienzo de una nueva conversación.

Así que la separación no está ahí únicamente para que el sistema resulte más elegante.

Responde antes que nada a una restricción muy concreta: el motor entero no cabe en las directrices de un Proyecto ChatGPT.

Google Sheets se convierte en la memoria del Contexto

Quedaba después representar el Contexto en sí.

Podría haber usado varios Google Docs.

• Un documento para las fuentes.
• Otro para el estado.
• Otro para los conocimientos.
• Otro para las tareas.
• ...

Pero habría acabado enseguida con un montón de archivos que localizar y otros tantos identificadores que gestionar (veremos esa restricción tecnológica más adelante).

Google Sheets resultó mucho más práctico.

Un Contexto se corresponde con un Spreadsheet.

Dentro del Spreadsheet, cada tipo de información tiene su pestaña.

Ahora mismo uso esta estructura:

00-FRAME
01-STATE
03-SESSIONS
04-ATOMIC
05-OUTPUTS

00-FRAME contiene en particular la misión y las eventuales directrices propias del Contexto.

01-STATE contiene la información necesaria para saber en qué punto está el trabajo:

• state;
• synthesis;
• tareas pendientes;
• decisiones;
• contradicciones;
• handoff.

03-SESSIONS contiene las fuentes en bruto persistidas.

04-ATOMIC contiene los conocimientos estabilizados.

05-OUTPUTS contiene los entregables producidos a partir del Contexto.

Google Sheets ya no es, por tanto, solo el lugar donde ChatGPT escribe una información para guardarla.

El Spreadsheet se convierte en la memoria estructurada completa del Contexto.

Sobre todo, no recargarlo todo

Eso no significa que ChatGPT cargue el Spreadsheet entero en cada conversación.

Probablemente sería una idea malísima.

Cuando escribo:

Abre Mi Contexto

ChatGPT empieza por localizar el Spreadsheet correspondiente.

Después carga únicamente su núcleo:

• misión;
• directrices;
• state;
• synthesis;
• tareas pendientes;
• decisiones;
• contradicciones;
• handoff.

Las fuentes, los conocimientos atómicos y los outputs antiguos se quedan en la hoja.

ChatGPT va a buscarlos solo cuando se vuelven necesarios.

Es un punto importante en mi manera de concebir el sistema.

La memoria no funciona como:

vuelvo a meter todo lo que sé en el prompt en cada conversación.

Funciona más bien así:

tengo una memoria externa en la que puedo ir a buscar la información pertinente en el momento en que resulta útil.

El Contexto se convierte en una memoria externa direccionable.

El detalle que hacía perder muchísimo tiempo

En una primera versión aún no había optimizado la resolución de los identificadores de Google.

Cada vez que ChatGPT quería leer o escribir en un Contexto, tenía que buscar el Spreadsheet correspondiente y después recuperar su ID.

Y en la operación siguiente volvía a empezar.

Funcionaba, pero algunas operaciones podían acercarse a los cincuenta segundos.

Buena parte de ese tiempo se dedicaba simplemente a volver a encontrar algo que ya se había encontrado unos segundos antes.

Así que añadí una regla muy sencilla.

Una vez abierto el Contexto, ChatGPT conserva durante la conversación:

nombre del Contexto
→ Spreadsheet
→ Spreadsheet ID

Todas las operaciones siguientes usan directamente ese ID.

Solo vuelve a resolverse si:

• se cambia de Contexto;
• el ID ya no está disponible;
• el acceso falla.

Parece bastante evidente.

Pero cambia enormemente la fluidez del sistema.

Persistir no es aprender

El motor en sí expone al final muy pocos comandos.

Abre <contexto>
Persiste <contenido>
Todo <acción>
Ingiere
Guarda

Abre carga un Contexto.

Persiste conserva una nueva fuente.

Todo añade una acción por realizar.

Ingiere analiza las nuevas fuentes y actualiza el conocimiento estructurado (creación o enriquecimiento de notas).

Guarda actualiza los elementos que permiten retomar correctamente la misión en una próxima conversación.

Pero la distinción más importante del sistema es probablemente esta:

Persiste no es Ingiere.

Cuando digo:

Persiste ...

no le pido al motor que considere verdadero lo que acabo de decir.

Le pido únicamente:

conserva este material.

Se convierte en una fuente.

Durante la ingesta, el motor puede determinar después que lo que contiene corresponde a:

• una decisión realmente tomada;
• una tarea;
• una contradicción;
• una información útil para el estado actual;
• un conocimiento lo bastante estabilizado como para convertirse en una nota atómica;
• o simplemente algo que hay que conservar como fuente sin ir más lejos.

Esto evita una deriva que me parece especialmente peligrosa en los sistemas de memoria para IA.

Si toda producción de la IA se convierte automáticamente en un conocimiento del sistema, la IA acaba pudiendo usar sus propias producciones anteriores como prueba.

Por eso intento mantener una separación estricta:

fuente ≠ conocimiento ≠ estado ≠ síntesis ≠ entregable

Una fuente dice:

esto es lo que se dijo o se observó.

Un conocimiento estabilizado dice otra cosa:

esto es lo que el sistema considera ya lo bastante establecido y reutilizable.

Un Contexto en el bolsillo

Es en el teléfono donde este traslado se vuelve realmente interesante para mí.

Ya trabajo muchísimo con dictado de voz.

Y en este caso concreto cambia por completo la relación con el sistema.

Volvamos al ejemplo de una feria profesional.

Llego con un Contexto ya preparado.

Desde el teléfono:

Abre Feria-X

Hablo con un primer expositor.

Al salir del stand no me apetece necesariamente pararme, abrir una aplicación de notas y teclear cinco minutos en un teclado diminuto.

Camino hacia el stand siguiente y le dicto simplemente a ChatGPT lo que acabo de aprender.

Después:

Persiste <lo que acabo de dictar>

Puede llevar unas decenas de segundos.

Sigo con mi jornada.

Tras varias conversaciones:

Ingiere

El motor empieza entonces a estructurar lo que he recogido.

Y ahí es donde el uso se vuelve más interesante que un simple sistema de toma de notas.

Puedo preguntarle a ChatGPT:

¿Qué me falta todavía para entender de verdad este tema?

O:

¿Qué contradicciones debería verificar con el próximo expositor?

O también:

¿Qué preguntas importantes no le he hecho todavía a nadie?

Puedo obtener esa respuesta mientras sigo en la feria.

Y por tanto ir a hacer inmediatamente las preguntas que faltan.

El ciclo queda así:

conversación
   ↓
dictado de voz mientras camino
   ↓
Persiste
   ↓
Ingiere
   ↓
buscar los puntos ciegos
   ↓
volver a preguntar
   ↓
completar el Contexto

Es probablemente lo que más cambia mi uso.

La IA ya no interviene solo después de la recogida para ayudarme a producir algo.

Puede intervenir durante la recogida, cuando todavía es posible mejorar la calidad de la información.

Plaud: hacer entrar las conversaciones en el Contexto

También uso un Plaud Note Pro.

Mi Plaud Note Pro, que puedo usar para grabar conversaciones y entrevistas sobre el terreno.

Plaud Note Pro es una pequeña grabadora de voz que sirve para grabar reuniones, conversaciones o entrevistas.

La grabación queda después disponible en Plaud y puede transcribirse.

Sin embargo, para mi sistema no es el resumen automático que produce Plaud lo que más me interesa.

Quiero recuperar la transcripción completa.

Y hay otra pieza importante: ChatGPT puede acceder directamente a Plaud a través de su conector.

Así que puedo pedirle, desde ChatGPT, por ejemplo:

Lístame mis tres últimas grabaciones de Plaud y dime en una línea de qué habla cada una.

Ejemplo de consulta a Plaud desde ChatGPT para localizar las últimas grabaciones.

ChatGPT puede localizar esas grabaciones y después recuperar directamente su transcripción.

Eso permite imaginar un workflow mucho más directo:

conversación real
        ↓
Plaud
        ↓
transcripción
        ↓
ChatGPT recupera directamente la transcripción
        ↓
Persiste
        ↓
fuente en bruto del Contexto
        ↓
Ingiere

Así que no necesito:

• descargar manualmente un archivo;
• abrir la transcripción;
• copiarla;
• volver a ChatGPT;
• pegarla.

Puedo hacer todo eso automáticamente, por voz, desde el teléfono.

Y prefiero hacer entrar en el Contexto la transcripción completa en bruto antes que un simple resumen.

El resumen ya es una interpretación.

La transcripción sigue estando mucho más cerca del material de origen.

Una vez la conversación está en el Contexto, puedo preguntar:

• ¿qué me acaba de enseñar realmente esta persona?
• ¿qué contradice las conversaciones anteriores?
• ¿qué afirmaciones merecen verificarse?
• ¿qué preguntas debería hacerle a la próxima persona?

Los distintos bloques necesarios ya funcionan.

Ahora bien, todavía no he puesto a prueba lo suficiente, de punta a punta, este workflow Plaud → ChatGPT → Contexto durante jornadas largas sobre el terreno como para afirmar que es perfectamente fluido.

Así que sigue siendo un uso pendiente de probar más.

Cómo reproducir el sistema

He preparado dos archivos que se corresponden con los dos niveles de directrices del motor.

El CORE

El CORE está disponible aquí:

_directive

Es esta parte la que hay que copiar en las directrices del Proyecto ChatGPT.

La directriz ampliada

La directriz detallada está disponible aquí:

_directive_etendue

Debe copiarse en un Google Doc al que ChatGPT pueda acceder.

Antes de empezar hay que conectar, evidentemente, Google Drive a ChatGPT y permitirle acceder a los documentos que usa el motor.

Configurar los IDs

El CORE contiene en particular dos identificadores:

DOCUMENT_ID = xxxx
FOLDER_ID = xxxx

DOCUMENT_ID corresponde al Google Doc que contiene la directriz ampliada.

En una URL como:

https://docs.google.com/document/d/xxxx/edit

la parte xxxx es el identificador del documento.

FOLDER_ID corresponde a la carpeta de Google Drive donde se almacenarán los Contextos.

Para una URL como:

https://drive.google.com/drive/folders/xxxx

el identificador es de nuevo la parte xxxx.

Cada usuario debe, evidentemente, sustituir esos valores por los de su propio entorno.

Un Spreadsheet por Contexto

Cuando se crea un nuevo Contexto, el motor crea un Spreadsheet que contiene:

00-FRAME
01-STATE
03-SESSIONS
04-ATOMIC
05-OUTPUTS

Después lo coloca en la carpeta definida por FOLDER_ID.

No hace falta copiar manualmente el identificador de cada uno de esos Spreadsheets en las directrices.

Cuando pido:

Abre Mi Contexto

ChatGPT busca el Spreadsheet correspondiente en la carpeta de los Contextos, recupera su ID y lo conserva durante la conversación.

El sistema queda entonces operativo.

Lo que este apaño permite — y sus límites

Esta versión ChatGPT no sustituye a mi motor usado con Codex o Claude Code.

No era el objetivo.

Tiene varios límites.

Es más lenta.

Se adapta peor a Contextos que necesitan directamente scripts de Python, llamadas a API o un entorno de ejecución más rico.

Y, sobre todo, todavía me falta perspectiva sobre su comportamiento cuando un Contexto crece de verdad durante varias semanas.

Así que la veo como un modo autónomo complementario.

En mi Mac, Codex o Claude Code siguen siendo más adecuados para ciertas misiones.

Pero desde el teléfono ya puedo usar un Contexto sin depender de que mi Mac esté encendido y accesible.

Y ese era precisamente el problema que quería resolver.

Hay además una observación divertida relacionada con la cuota de Codex.

Durante todo este experimento dentro de ChatGPT, la cuota de Codex mostrada no bajó.

Consumo observado:

0

Evidentemente no sostengo que esto constituya una regla general sobre cómo factura o contabiliza OpenAI este tipo de uso.

Simplemente constato que, durante este experimento, el apaño no consumió mi cuota de Codex.

El sistema ya ha servido para producir este artículo

Al principio, mi primer hack de Google Sheets respondía a una pregunta bastante limitada:

¿cómo sacar una información de ChatGPT y conservarla de forma duradera?

Unos días después, la pregunta se había convertido en:

¿y si sacara toda la memoria estructurada del Contexto?

Es, al final, lo que hace este sistema.

ChatGPT ya no necesita "acordarse de todo".

Sobre todo debe saber:

• dónde buscar;
• qué cargar;
• qué persistir;
• cómo calificar la información;
• cómo recuperar lo que ya se ha aprendido;
• en qué punto está el trabajo.

La fórmula sigue siendo bastante sencilla:

ChatGPT razona.
Las directrices definen el motor.
Google Sheets recuerda.

Y hay algo bastante satisfactorio en el hecho de que la preparación y la redacción de este artículo hayan servido ellas mismas para probar el sistema que el artículo describe.

Para preparar este texto he usado exclusivamente ese Contexto dentro de ChatGPT.

He persistido en él mis ideas.

Las he ingerido.

Hemos identificado puntos ciegos.

He corregido formulaciones.

Hemos creado y después terminado tareas.

He añadido los elementos que faltaban.

Luego he producido una primera versión del artículo, la he releído y he usado el mismo Contexto para preparar esta V2.

Dicho de otro modo, el sistema no ha servido únicamente de demostrador técnico.

Ya se ha usado para hacer realmente el trabajo para el que lo construí.

Así que la pregunta ya no es realmente:

¿funciona?

Funciona.

La pregunta que me interesa ahora es más bien:

¿seguirá siendo esta arquitectura igual de práctica cuando el mismo Contexto se ponga a prueba sobre el terreno durante una semana completa de ferias profesionales?

Es lo que el uso venidero permitirá comprobar.