El Viaje de tu Pregunta

Fase 0 Tu Pregunta

👤

User Prompt

@aleph escribe un borrador sobre tecnofeudalismo

Escribes algo en Copilot Chat. Parece simple, pero internamente desencadenas una cadena de 5 pasos que transforman tu pregunta en una respuesta inteligente.

Prompt → Registry → Agent → Instructions → LLM

→ Siguiente: PromptRegistry

Fase 1 PromptRegistry

El PromptRegistry es un singleton que detecta tu modelo LLM y selecciona el prompt adecuado.

🔍 Detección de Modelo

Tu modelo: claude-sonnet-4-20250514

↓ matchesModel()

Prefijo detectado: anthropic

↓

Prompt seleccionado: AnthropicAgentPrompt

Prompt → Registry → Agent → Instructions → LLM

↓ Ver código fuente

Fase 1 · Detalle Código: promptRegistry.ts

📄 src/vs/workbench/contrib/chat/browser/promptRegistry.ts

// Singleton que gestiona prompts por modelo
class PromptRegistry {
  private familyPrefixes = [
    'anthropic',  // Claude
    'openai',     // GPT-4, GPT-4o
    'google',     // Gemini
    'xai'         // Grok
  ];
  
  matchesModel(modelFamily: string): IAgentPrompt {
    // Tu modelo: claude-sonnet-4-20250514
    return this.promptsWithMatcher.find(
      p => modelFamily.startsWith(p.prefix)
    );
  }
}

💡 Cada familia de modelos tiene su propia implementación de IAgentPrompt, optimizada para sus capacidades específicas.

↑ Volver a vista general

Fase 2 IAgentPrompt Interface

Cada modelo implementa 5 métodos que definen cómo se construye el system message.

📋 SystemPrompt ~2000 tokens

🔔 Reminder Solo OpenAI

🔧 ToolHints MCP refs

🤖 Identity Quién soy

🛡️ Safety Políticas

Prompt → Registry → Agent → Instructions → LLM

↓ Comparar implementaciones por modelo

Fase 2 · Detalle Implementaciones por Modelo

🟣 Claude

✅ DefaultAgentInstructions
❌ No Reminder
✅ Extended thinking
✅ Sonnet optimizations

🟢 GPT-4

✅ DefaultAgentInstructions
✅ KeepGoingReminder
✅ JSON mode nativo
✅ Function calling

🔵 Gemini

✅ DefaultAgentInstructions
❌ No Reminder
✅ Grounding
✅ Long context

📄 anthropicPrompts.tsx

class AnthropicAgentPrompt implements IAgentPrompt {
  resolveSystemPrompt() {
    return <DefaultAgentInstructions />;
  }
  
  // Claude NO usa reminder (contexto largo)
  resolveReminderInstructions() {
    return null;
  }
}

↑ Volver a vista general

Fase 3 DefaultAgentInstructions

Instrucciones base compartidas por todos los modelos, estructuradas en Tags XML.

toolUseInstructions notebookInstructions outputFormatting fileLinkification

💡 Tu copilot-instructions.md se inyecta aquí, sumándose a estas instrucciones base. ¡Es tu oportunidad de personalizar el comportamiento!

Prompt → Registry → Agent → Instructions → LLM

↓ Ver estructura de Tags completa

Fase 3 · Detalle Estructura de Tags XML

📄 defaultAgentInstructions.tsx

<InstructionMessage>
  <Tag name='instructions'>
    You are an expert AI programming assistant...
    
    <Tag name='toolUseInstructions'>
      When using a tool, follow the JSON schema...
      If you think running multiple tools can answer 
      the user's question, prefer calling them in parallel.
    </Tag>
    
    <Tag name='notebookInstructions'>
      Use run_notebook_cell instead of jupyter...
    </Tag>
    
    <Tag name='outputFormatting'>
      Use proper Markdown formatting...
      <Tag name='fileLinkification'>
        When mentioning files, convert to markdown links...
      </Tag>
    </Tag>
  </Tag>
</InstructionMessage>

↑ Volver a vista general

Fase 4 Ensamblaje del System Message

Todas las piezas se combinan en un único System Message que guía al LLM.

Base DefaultAgentInstructions ~1500 tokens

+

Modelo AnthropicRules ~200 tokens

↓

Usuario copilot-instructions.md ~300 tokens

+

Contexto *.instructions.md variable

↓

System Message Final ~2000-4000 tokens

Prompt → Registry → Agent → Instructions → LLM

↓ Ver mensaje ensamblado (mock)

Fase 4 · Detalle Tu System Message Ensamblado

📦 Mock: Contenido del System Message

You are an expert AI programming assistant, working with a user in the VS Code editor...

When asked for your name, you must respond with "GitHub Copilot"...

// Instrucciones Globales — Aleph Scriptorium

**Aleph Scriptorium** es un sistema de agentes de IA para VS Code + GitHub Copilot Chat...

When using a tool, follow the JSON schema very carefully...

Use proper Markdown formatting. When referring to symbols wrap in backticks...

🎯 Las secciones resaltadas son TUS instrucciones del Scriptorium, inyectadas en el system message.

↓ Ver validación estructurada

Fase 4 · Validación TypedPrompt: NL↔JSON

Antes de enviar al LLM, TypedPromptEditor valida que el mensaje cumpla con el schema esperado.

📝 L0: Prompt NL "@aleph escribe borrador"

↓ TypedPromptServer :3020

📋 L1: Schema JSON { action: "write", topic: "..." }

↓ validate_schema

✅ L2: Validado AJV/Zod pass → enviar a LLM

🔗 Ver flujo completo: Agentic Typed Logic Flow (L0→L3)

↑ Volver a mensaje ensamblado

Fase 5 Envío al LLM

Todo listo. El mensaje se envía a la API del modelo seleccionado.

🧠 Claude Sonnet 4

Prompt → Registry → Agent → Instructions → LLM

↓ Ver estructura de la API Request

Fase 5 · Detalle API Request Structure

📤 POST → api.anthropic.com/v1/messages

model: "claude-sonnet-4-20250514"

system: [System Message ~2500 tokens]

messages: [{ role: "user", content: "@aleph escribe..." }]

tools: [read_file, replace_string, run_in_terminal, ...]

max_tokens: 16384

↑ Volver a vista general

Fase 6 La Respuesta

🤖 @aleph responde

Voy a redactar un borrador sobre tecnofeudalismo. Primero consultaré el ARCHIVO para verificar si hay material previo...

🔧 semantic_search "tecnofeudalismo"

Encontré referencias en ARCHIVO/marco/economia-digital.md. Basándome en el marco teórico del Scriptorium, procedo a redactar...

✅ Lo que funcionó

Reconoció el agente @aleph
Consultó ARCHIVO primero
Usó herramientas disponibles

🎯 Gracias a

copilot-instructions.md
Handoffs definidos
Instrucciones contextuales

Prompt → Registry → Agent → Instructions → LLM → ✓

↓ Ver Self-Reflection: cuando la respuesta genera feedback

Fase 6.1 Self-Reflection: El Bucle que Cierra

Pero la respuesta no es el final. Los agentes del IDE no solo usan LLMs para ser ellos mismos (su identidad viene del system message), sino también para auto-psicoanalizarse.

🤖 Identidad System Message

🔄 Reflexión Copilot Logs

📸 Memoria Snapshots

📊 Métricas Health Score

💡 El problema: CopilotEngine olvida después de ~100 requests (FIFO). La solución: Si no podemos cambiar cómo olvida, cambiamos cómo recordamos.

→ Ver Copilot Logs MCP Server

Fase 6.2 · ⭐ Core Copilot Logs MCP Server

⭐ Ciudadano de primera categoría. Este servidor permite que los agentes se auto-psicoanalicen: observen su comportamiento, detecten antipatrones y mejoren.

📸 Snapshots

capture_snapshot
list_snapshots
get_snapshot
delete_snapshot

📊 Análisis

get_usage_metrics
analyze_session
configure_cache
get_request

📝 Exportar

export_conversation
generate_abstract
search_requests
list_requests

📄 .vscode/mcp.json

"copilot-logs-mcp-server": {
  "type": "http",
  "url": "http://localhost:3100"
}

→ Ver estructura de Snapshots

Fase 6.3 Snapshots: Memoria Persistente

Los snapshots convierten conversaciones efímeras en conocimiento archivado. Estructura real del workspace:

📁 COPILOT_SNAPSHOTS/

📄 INDEX.md 📄 ABSTRACT.md (LLM-generated)

📁 {nombre-snapshot}/

requests.json metadata.json

📸 Ejemplo de invocación

mcp_copilot-logs-_capture_snapshot({
  name: "analisis-copilot-engine",
  description: "Sesión de investigación",
  linkedBacklog: "SCRIPT-1.31.0"
})

→ Ver Métricas de Salud

Fase 6.4 Métricas de Salud

get_usage_metrics() devuelve el estado de salud de la sesión actual:

72 Health Score ✅ ≥70 Óptimo

28% Cache Hit ⚠️ <30% Mejorar

4.2s Avg Response ✅ <5s Rápido

🔴 Antipatrones

AP-01 Lecturas redundantes
AP-02 Diagnóstico por prueba y error
AP-03 Respuestas verbosas
AP-04 Exploración sin caché

✅ Buenas Prácticas

BP-01 Consultar @indice primero
BP-02 Índices DRY estables
BP-03 Bloqueo preventivo
BP-04 Snapshots frecuentes

📖 Ver auto-reflexion.instructions.md para arquetipos completos.

→ Ver el Bucle Completo

Fase 6.5 El Bucle de Auto-Reflexión

"El sistema que documenta cómo piensa puede pensar mejor."

🗣️ Chat → 📸 Snapshot → 📁 ARCHIVO → 🔍 Consultar → 🔄 Mejor Chat

🐂 @ox

Auditoría técnica
Diagnóstico de gaps
analyze_session()

📇 @indice

Navegación DRY
Funcional.md / Tecnico.md
Evitar lecturas redundantes

📋 @scrum

Tracking de proceso
Snapshots de cierre
Backlog updates

⭐ Gobernanza Tripartita: Tres agentes coordinan la auto-reflexión. Cada snapshot enriquece las futuras sesiones.

↑ Volver a Output

🧠 El Viaje de tu Pregunta

Has navegado el flujo completo de Copilot Chat: desde tu prompt hasta la respuesta inteligente.

0 Prompt

1 Registry

2 Agent

3 Instructions

4 Assembly

5 LLM

6 Output

🔄 Reflect

💡 Insights Clave

Identidad vía LLM: Los agentes locales "son" a través del system message que les define
Auto-psicoanálisis: Copilot Logs MCP permite que los agentes observen su propio comportamiento
El contexto importa: Los applyTo inyectan instrucciones según el archivo
Memoria persistente: Snapshots convierten conversaciones efímeras en conocimiento archivado
Navegación 3D: Usa ↑↓ para explorar detalles técnicos. El subcubo Self-Reflection está en Y=700

📐 Vista UX 🧬 Vista MMCO 🧠 Vista Copilot