¿Por qué mi agente relee el mismo archivo y desperdicia tokens?

Tu agente relee el mismo archivo porque cada paso no recuerda que ya lo leyó. Sin una capa compartida y direccionable, el modelo recarga el archivo completo cada vez que necesita un detalle, y pagas por todo el archivo de nuevo. La solución es darle al agente un lugar donde referenciar archivos por una dirección estable en lugar de volver a ingerir su contenido.

¿Cuánto cuesta realmente releer?

Un solo archivo de 2.000 tokens releído cuatro veces en una tarea son 8.000 tokens por un archivo que el agente ya tenía. A lo largo de una sesión con docenas de archivos, esto suele ser la mayor línea de tu factura, más grande que el razonamiento real.

¿Por qué no basta con el caché?

El caché de prompts puede bajar el precio de una relectura, pero tiene dos límites. Sigue costando más por token que el contexto nuevo, y se invalida en cuanto el archivo cambia. Un agente que edita código o documentos cambia archivos constantemente, así que el caché se rompe justo cuando lo necesitas.

¿Cómo lo soluciona una capa de datos compartida?

En una capa de datos compartida, cada archivo tiene una dirección estable. El agente lo lee una vez hacia la capa y luego referencia esa dirección en los pasos siguientes, en lugar de pegar el contenido completo de nuevo en el prompt. Una segunda lectura de un archivo sin cambios se vuelve una búsqueda barata en lugar de una reingesta completa, y los cambios se rastrean para que el agente solo relea lo que realmente se movió.

adlass ofrece esto por MCP: tus archivos viven en Spaces compartidos y el agente trabaja contra ellos por referencia, así que el acceso repetido cuesta una fracción de una lectura completa.