01 / AMNESIA
contexto manualCada agente vuelve a pedir la misma historia
Arquitectura, comandos, errores conocidos y decisiones del repo se repiten en cada sesión. Ese contexto manual termina costando tokens y foco.
impactoN sesiones -> 0 memoria
Agentes que aprendencada vez
Cardumen convierte cada sesión en memoria, skills y verificación reutilizable.
El próximo agente arranca con más contexto, explora menos repo y gasta menos tokens. Ese es el valor real: Claude, Codex, Cursor, OpenCode, Copilot y modelos locales se vuelven más precisos porque el aprendizaje queda en tu infraestructura, no perdido en un chat.
Benchmark privado, piloto guiado y ruta CLI Core cuando el equipo ya está listo para activar.
N+1cada sesión deja memoria-43%tokens en tarea medida5 agentesuna verdad operativa
incremental memoryskills by Gitgraph contextcardumen verifytoken savingsmodel downshiftClaude CodeCodex CLICursorOpenCodeCopilotQwen3-CoderKimi K2.6MiniMax M3incremental memoryskills by Gitgraph contextcardumen verifytoken savingsmodel downshiftClaude CodeCodex CLICursorOpenCodeCopilotQwen3-CoderKimi K2.6MiniMax M3
El problema
Tus agentes son buenos, pero siguen amnésicos.
El mercado ya tiene agentes capaces. La fricción ahora está en el medio: contexto repetido, aprendizaje perdido, tokens quemados y verificación inconsistente entre herramientas.
02 / FRAGMENTACION
chats aisladosEl aprendizaje queda encerrado en chats
Lo que Claude entendió no lo sabe Codex. Lo que Cursor resolvió no llega a OpenCode. El equipo opera con memorias partidas.
impacto5 agentes -> 5 verdades
03 / COSTO
tokens quemadosPagas modelo caro para compensar contexto pobre
Sin memoria operativa, hasta un frontier model explora a ciegas. Con memoria incremental puedes bajar tokens y usar modelos menos potentes con más eficiencia.
impactoexploración antes de código
04 / ESCALA
criterio no reusableEl criterio senior no se convierte en sistema
Un dev resuelve un patrón, pero la próxima tarea vuelve a depender del prompt. Cardumen convierte ese aprendizaje en memoria, skill y verificación reutilizable.
impactosenior knowledge -> folklore
Flywheel incremental
Cada vuelta deja memoria. La siguiente cuesta menos.
El valor no aparece por magia. Cardumen fuerza un loop: cargar contexto real, ejecutar con criterio, verificar con evidencia y guardar lo aprendido como memoria o skill versionada.
C.R.E.A. compounding loopmemory / skills / verify
01. Carga memoria viva
AGENTS.md, project-map, graph, memoria compilada y reglas del servicio antes de responder.
02. Ejecuta con criterio
El router activa skills de arquitectura, debugging, UI, seguridad o QA según la tarea real.
03. Verifica antes de cerrar
Build, hooks, QA y evidencia evitan que la memoria guarde aprendizaje falso.
04. Guarda lo reusable
Lo durable se convierte en memoria o skill. El agente N+1 arranca más adelante.
Menos prompt manual, más contexto útil.
El equipo deja de explicar la misma arquitectura en cada chat. El repo entrega la verdad operativa al agente antes del primer token caro.
Los modelos baratos ganan palanca.
Si el contexto está curado y verificado, no necesitas siempre el modelo más caro para tareas donde el conocimiento del repo pesa más que el razonamiento bruto.
Valor real
No es recordar. Es acumular capacidad operativa.
La memoria incremental vuelve a los agentes más potentes con el uso: menos reexploración, menos tokens, más contexto útil y más margen para usar modelos baratos o privados con la misma disciplina.
El agente siguiente arranca más adelante
Cardumen captura decisiones, comandos, errores y patrones como memoria o skill. El conocimiento deja de morir en el chat.
Baja costo sin bajar ambición
Con memoria compilada y grafo del repo, el agente explora menos antes de tocar código. Eso abre espacio para modelos más baratos o locales.
Coordina herramientas sin lock-in
Claude, Codex, Cursor, OpenCode y Copilot leen el mismo contrato. Lo que aprende uno queda disponible para el resto del cardumen.
Traducción B2B
La arquitectura traducida a decisión de compra.
Cada tarea deja contexto reusable para la siguiente.
Los patrones correctos viajan por Git, no por folklore.
El agente encuentra el subgrafo correcto antes de leer medio repo.
El aprendizaje queda atado a evidencia, build y QA real.
Puedes usar frontier, open-weight o local sin perder la capa operativa.
Mecanismo
Una capa operativa entre tu repo y cualquier agente.
La fuente de verdad es el repo: instrucciones, memoria, skills, grafo y verify gates. Por eso puedes coordinar herramientas distintas y mover trabajo entre frontier, open-weight o local sin reinventar el contexto.
agent: codex | claude-code | cursor | opencode # Cargando AGENTS.md, memory-index, graph y skills [OK] reglas del repo sincronizadas [OK] contexto durable disponible [OK] menos prompt manual, menos tokens quemados
Benchmark · evidencia medida
La propuesta se valida contra tu repo, no contra una demo perfecta.
Medimos una tarea real con y sin Cardumen: tokens, pasos de exploración, tiempo y calidad. Si el aprendizaje incremental no mejora tu flujo, se ve en el reporte.
Recupera el costo: deja de re-explorar.
−43%tokens por tarea
- 16 → 8 pasos de exploración
- $0 por token · corre privado
qwen3.5-9b · 1 corrida · repo memoria-rico. En reloj fue más lento (con más contexto razona más): el ahorro es de tokens y pasos.
Compra velocidad y predecibilidad, no descuento.
5×más consistente
- −30% tiempo · −24% output
- 100% correctas · costo ≈ igual
Claude · 6 corridas · misma tarea/repo. A ciegas una consulta se dispara hasta 116s; con Cardumen cae siempre en ~54s.
Honestidad n pequeño y condicional: mide la memoria adaptativa sobre una tarea de navegación, no generaliza aún a todo repo o tarea. El resto del arsenal —gates, skills, reviews, verificación— aporta calidad y disciplina, real en el código pero todavía sin número. Donde hay cifra, va con su condición.
Prueba real, sin humo
La memoria incremental se mide en repos vivos.
No vendemos logos inventados. Cardumen se valida donde el contexto pesa: monorepos con reglas, memoria, QA, privacidad y varios agentes tocando el mismo código.
Referencia públicaTuFirma.digitalAprendizaje medido17-21 pts
Legaltech con microservicios, frontends y flujos bajo NDA operativo.
Referencia públicaKidsFin.kidsEdTech con backend, Flutter y frontends coordinados por repo.
Salto interno del mismo modelo antes/después del scaffold con contexto, skills y verify.
Para quién es Cardumen
Para equipos que no pueden permitirse fugas de contexto — ni de datos.
Cardumen está pensado para quienes necesitan criterio senior repetible y privacidad real: el conocimiento operativo viaja por el repo, no por un chat; la inferencia puede correr 100% local.
Corporativos bajo NDA
Equipos con políticas de confidencialidad y datos sensibles. La inferencia corre local: tu código y tus datos no salen del perímetro y Cardumen nunca exfiltra el repo.
Software factories
Fábricas que entregan múltiples clientes con stacks distintos. Memoria, skills y verificación versionadas por repo: criterio senior repetible y onboarding rápido en cada proyecto.
Equipos con modelos locales
Ya usás Claude, Codex, Cursor o modelos open-weight y necesitás un contrato operativo común, sin lock-in de vendor ni cuotas que frenen el modelo por días.
Calculadora de impacto
¿Cuánto te cuestan la desincronización y las cuotas de IA?
Menos campos, más lectura ejecutiva: tamaño del equipo, stack actual e industria. La cifra es estimada y sirve para decidir si vale una conversación de validación.
Entrada GTM
La primera conversación debería ser un benchmark en tu repo.
No hace falta creer el pitch. Trae una tarea real, medimos el antes y después, y de ahí sale la ruta: piloto, CLI Core, Cloud o Enterprise.
Qué incluye el benchmark
Setup temporal, una tarea representativa, comparación con y sin memoria incremental, y reporte con impacto en tokens, pasos y calidad.
01 / Repo onboarding privado02 / Tarea A/B real03 / Memory + skills04 / Reporte de decisión
Decisión comercial
Después del benchmark, eliges la ruta con menos fricción.
CLI Core si ya pagas agentes y necesitas coordinación. Cloud si no quieres administrar inferencia. Enterprise si el repo exige NDA, on-prem o capacidad dedicada.
Opciones avanzadas
BYOK y Local existen, pero no son la primera decisión.
Opción avanzada si traes tu API key y quieres controlar tu factura de tokens.
La inferencia corre en la máquina del developer. Sin cobro por token por parte de Cardumen.
Pod dedicado para 10 usuarios con capacidad privada razonable.
Ruta recomendada01CLI Core$15 02Cloud o Local$10+ 03Enterprise$1,250
Coordina los agentes que ya pagas.
Elige inferencia gestionada o privada según política y hardware.
Escala a pod privado cuando hay NDA, compliance o capacidad dedicada.
Ruta recomendada: valida impacto con benchmark, coordina primero con CLI Core y decide dónde corre la inferencia cuando el ahorro o la privacidad lo justifiquen.
Precios en USD. Factory requiere seguro/custodia del equipo; Cloud BYOK usa la facturación del proveedor del cliente.
Del benchmark al rollout
Si el número da, el piloto se diseña alrededor de tu flujo real.
Entramos a un codebase con deuda, reglas raras y flujos vivos. La capa se arma para capturar aprendizaje real, no para verse bien en una presentación.
Benchmark privado en tu repo
Comparamos una tarea real con y sin Cardumen para medir tokens, pasos de exploración, tiempo y calidad del resultado.
Piloto de memoria incremental
Activamos AGENTS.md, memoria, skills y verify gates para que cada sesión deje aprendizaje reutilizable.
Ruta de modelos y costo
Identificamos dónde puedes bajar tokens, mover tareas a modelos más baratos o correr inferencia local sin perder disciplina.
Rollout empresarial
Hardening local-first, política anti-secretos, skill packs por stack y soporte para equipos bajo NDA o software factories.