Arscontexta: El Plugin de Claude Code que Convierte Conversaciones en Sistemas de Conocimiento

Los agentes de IA tienen un problema fundamental: cada sesión empieza desde cero. Da igual cuántas horas hayas invertido refinando contexto, explicando decisiones de diseño o documentando patrones de tu proyecto. La próxima vez que abras una sesión, el agente no recuerda nada. Los archivos CLAUDE.md y CONTEXT.md ayudan, pero son soluciones manuales que dependen enteramente de tu disciplina para mantenerlos actualizados.

Arscontexta propone algo diferente: un plugin para Claude Code que genera un sistema de conocimiento completo y personalizado a partir de una conversación. No es una plantilla genérica. No es un template de Notion que adaptas a tu workflow. Es un motor de derivación que razona sobre cómo piensas y trabajas, y genera una arquitectura cognitiva a medida, respaldada por 249 claims de investigación interconectados sobre ciencia cognitiva, gestión del conocimiento y arquitectura de agentes.

Pero lo más interesante de arscontexta no es el plugin en sí. Es el concepto que introduce: Skill Graphs.

El Problema: Un Archivo No Es Suficiente

Los skills de Claude Code son archivos individuales que capturan un aspecto específico de un dominio. Un skill para hacer resúmenes. Otro para code review. Otro para formatear commits. Un archivo con una capacidad definida.

Para tareas simples, este enfoque funciona. Pero la profundidad real de un dominio requiere algo diferente.

Considera un skill de terapia que necesita proporcionar información sobre patrones cognitivo-conductuales, teoría del apego, técnicas de escucha activa, marcos de regulación emocional y estrategias de intervención en crisis. Un solo archivo no puede contener todo eso de forma que un LLM lo procese efectivamente.

O considera un skill de trading que cubre gestión de riesgo, psicología de mercados, dimensionamiento de posiciones y análisis técnico, donde cada concepto se conecta y condiciona a los demás.

El problema no es de almacenamiento. Es de navegación. Un archivo monolítico de 5,000 líneas satura la ventana de contexto del LLM. El agente lo lee entero cuando solo necesita el 5% del contenido relevante para la conversación actual.

Skill Graphs: La Evolución Natural

Un Skill Graph es una red de archivos de skills conectados mediante wikilinks. En lugar de un archivo grande, tienes muchas piezas pequeñas y componibles que se referencian entre sí. Cada archivo es un pensamiento completo, una técnica o un skill individual, y los [[wikilinks entre ellos crean un grafo navegable]].

Cómo Funciona la Navegación

El mecanismo clave es progressive disclosure (revelación progresiva):

index → descriptions → links → sections → full content

La mayoría de las decisiones del agente ocurren antes de leer un solo archivo completo. Cada nodo del grafo tiene un bloque YAML con una descripción que el agente puede escanear sin abrir el archivo. Los wikilinks están integrados en prosa, lo que significa que llevan significado semántico, no son solo referencias. El agente sigue los paths relevantes y salta lo que no importa.

Las Primitivas Son Simples

Un Skill Graph se construye con tres elementos que ya existen:

• Wikilinks en prosa: Los enlaces [[concepto]] están escritos dentro de oraciones, de modo que comunican no solo "este concepto existe", sino "este concepto es relevante aquí porque..."
• YAML frontmatter con descripciones: Cada archivo tiene metadatos que el agente puede escanear sin leer el contenido completo
• MOCs (Maps of Content): Mapas que organizan clusters de skills relacionados en sub-temas navegables

Un skill enlaza a otro skill, que enlaza a otro, y el grafo crece tan profundo como el dominio lo requiera.

Ejemplo: Cómo Se Ve un Índice

Un índice de Skill Graph no es una tabla de lookup. Es un punto de entrada que dirige la atención:

# knowledge-work

Agents need tools for thought too. Just as Zettelkasten,
evergreen notes, and memory palaces gave humans external
structures to think with, agent-operated knowledge systems
give agents external structures to think with.

## Synthesis
- [[the system is the argument]] - philosophy with proof of work
- [[coherent architecture emerges from wiki links...]]

## Topic MOCs
- [[graph-structure]] - how wiki links and topology
  create traversable knowledge graphs
- [[agent-cognition]] - how agents think through
  external structures
- [[discovery-retrieval]] - how descriptions and
  progressive disclosure enable finding content
- [[processing-workflow]] - how throughput and sessions
  move work through the system

## Explorations Needed
- Missing: comparison between human and agent traversal
- Scaling limits: at what system size does curation fail?

El agente lee este índice, comprende el paisaje del dominio, y sigue los links que son relevantes para la conversación actual. No carga todo. Navega.

Arscontexta: Un Skill Graph que Enseña a Construir Skill Graphs

Arscontexta es, en esencia, un Skill Graph de aproximadamente 250 archivos Markdown conectados que enseñan a un agente cómo construir un sistema de conocimiento personalizado.

El directorio de metodología del proyecto contiene 249 claims de investigación interconectados que sintetizan:

• Zettelkasten y la metodología Cornell de toma de notas
• Ciencia cognitiva: activación por propagación (spreading activation), efecto de generación
• Teoría de redes: topología small-world, betweenness centrality
• Patrones de arquitectura de agentes: traversal, sesiones, límites de atención

Cada decisión de diseño del sistema se traza hasta un claim específico de investigación. No es arbitrario.

Arquitectura: Three-Space Separation

El sistema divide el contenido en tres espacios con velocidades de crecimiento diferentes:

Esta separación evita que el conocimiento estable (identidad, metodología) se mezcle con el conocimiento dinámico (notas diarias, tareas).

Pipeline de Procesamiento: Las 6 Rs

Inspirado en los principios de Cornell Note-Taking, arscontexta implementa un pipeline de seis fases:

1. Record - Captura sin fricción. El agente registra información sin procesar
2. Reduce - Extracción de insights específicos del dominio
3. Reflect - Encontrar conexiones y actualizar mapas de navegación
4. Reweave - Paso hacia atrás: conectar nuevo contexto con notas existentes
5. Verify - Comprobaciones de calidad combinadas (descripción, esquema, salud)
6. Rethink - Desafiar las asunciones del propio sistema

Cada fase de procesamiento se ejecuta en un subagente con contexto fresco. La atención de un LLM se degrada a medida que el contexto se llena. Al lanzar un subagente nuevo por fase, cada etapa opera en la "zona óptima" del modelo.

Setup: Derivación, No Plantillas

La instalación requiere tres pasos:

# 1. Añadir marketplace e instalar
/plugins:add-marketplace agenticnotetaking
/install arscontexta

# 2. Ejecutar setup conversacional
/arscontexta:setup

El tercer paso es una conversación de 2-4 preguntas sobre tu dominio que dura aproximadamente 20 minutos. El setup ejecuta seis fases:

1. Detection - Detecta el entorno y herramientas disponibles
2. Understanding - Conversación sobre cómo piensas y trabajas
3. Derivation - Razona sobre qué necesita tu dominio con puntuaciones de confianza
4. Proposal - Muestra qué se va a generar
5. Generation - Genera todos los archivos
6. Validation - Comprueba contra 15 primitivas del kernel

La diferencia clave con otros sistemas es que arscontexta deriva la estructura desde primeros principios, en lugar de aplicar una plantilla predefinida. El motor razona sobre qué necesita un dominio específico, y cada elección estructural se traza hasta claims de investigación concretos.

Lo que Se Genera

Después del setup, el sistema produce:

• Un vault de Markdown conectado por wikilinks (sin base de datos)
• Jerarquía de MOCs a nivel de hub, dominio y tema
• Templates de notas con bloques _schema como fuente de verdad
• Pipeline de procesamiento con 16 templates de comandos generados
• Cuatro hooks de automatización para enforcement de calidad
• Un manual de usuario nativo del dominio de 7 páginas
• Un archivo de contexto para orientación del agente

Presets Validados

Arscontexta incluye tres presets pre-validados para diferentes necesidades:

Casos de Uso: Por Qué los Skill Graphs Importan

El concepto de Skill Graphs va más allá de arscontexta como herramienta. Representa un patrón de diseño para dar profundidad de dominio a agentes de IA:

• Skill Graph de trading: Gestión de riesgo, psicología de mercados, dimensionamiento de posiciones, análisis técnico, donde cada pieza enlaza a conceptos relacionados para que el contexto fluya entre ellos
• Skill Graph legal: Patrones de contratos, requisitos de compliance, especificidades jurisdiccionales, cadenas de precedentes, todo navegable desde un único punto de entrada
• Skill Graph de empresa: Estructura organizativa, conocimiento de producto, procesos, contexto de onboarding, cultura, panorama competitivo

Ninguno de estos cabe en un solo archivo. Todos funcionan como grafos.

Cómo Construir un Skill Graph Manualmente

Si no quieres usar arscontexta, puedes construir un Skill Graph de forma manual. El concepto es más simple de lo que parece. La clave es un archivo índice que le dice al agente qué existe y cómo recorrerlo.

Un Skill Graph no necesita vivir en la carpeta .claude/skills/. Lo que importa es el índice como punto de entrada:

# mi-dominio

Descripción del dominio y por qué esta estructura existe.

## Síntesis
Argumentos desarrollados sobre cómo las piezas encajan:
- [[argumento-principal]] - explicación breve
- [[arquitectura-coherente]] - por qué funciona

## MOCs por Tema
- [[tema-1]] - descripción concisa del área
- [[tema-2]] - descripción concisa del área

## Exploraciones Pendientes
- Missing: comparación entre X e Y
- Pregunta abierta: ¿cómo escala esto?

Cada archivo enlazado es un nodo standalone con su propia descripción YAML, su contenido completo y wikilinks a nodos relacionados integrados en la prosa.

Requisitos Técnicos

Para usar arscontexta como plugin de Claude Code:

Limitaciones y Consideración Crítica

Arscontexta es un proyecto con una base teórica sólida, pero tiene limitaciones que hay que considerar:

1. Setup Intensivo en Tokens

El proceso de configuración inicial de ~20 minutos es una inversión significativa en tokens. Para el preset de Research, la fase de derivación puede consumir una cantidad considerable de tokens al razonar sobre la estructura óptima. Esto es un costo único, pero es importante saberlo de antemano.

2. Versión Pre-1.0

El proyecto está en versión 0.8.0, lo que indica que aún está en desarrollo activo. Las APIs, comandos y estructura podrían cambiar entre versiones. Es un early adopter territory.

3. Dependencia de Claude Code

Arscontexta es un plugin exclusivo de Claude Code. No funciona con otros asistentes de IA (Cursor, GitHub Copilot, ChatGPT). Si cambias de herramienta, el vault Markdown que genera sigue siendo tuyo (son archivos planos), pero el pipeline de procesamiento y los hooks no se transfieren.

4. Escala No Verificada a Largo Plazo

El sistema genera archivos que crecen orgánicamente. A 10-50 archivos por semana en el espacio notes/, un vault puede acumular miles de archivos en pocos meses. El comportamiento del sistema a esa escala (tiempos de traversal del agente, calidad de las conexiones, mantenimiento requerido) no está documentado con datos a largo plazo.

5. La Calidad Depende del Input

El proceso de derivación es tan bueno como las respuestas que des durante el setup. Si tus respuestas sobre cómo piensas y trabajas son vagas o genéricas, la estructura derivada será genérica también. El sistema amplifica tu claridad y tu ambigüedad por igual.

6. Contexto Competitivo

Arscontexta no es el único proyecto en este espacio. Herramientas como remember-md, COG-second-brain y second-brain-skills abordan el mismo problema con aproximaciones diferentes. Cada una tiene trade-offs distintos en complejidad, automatización y portabilidad.

Implicaciones: De Instrucciones a Comprensión

Los skills son context engineering: conocimiento curado inyectado donde importa. Cada skill es una inyección de contexto estática.

Los Skill Graphs representan el siguiente paso. En lugar de una inyección, el agente navega una estructura de conocimiento, extrayendo exactamente lo que la situación actual requiere.

Es la diferencia entre un agente que sigue instrucciones y un agente que comprende un dominio.

Arscontexta aplica este principio para construir sistemas de conocimiento. Pero el patrón de Skill Graphs es más amplio: cualquier dominio que requiera profundidad, conexiones entre conceptos y navegación contextual se beneficia de este enfoque.

Conexión con Posts Anteriores

Si leíste el post sobre Agent Teams en Claude Code, verás una conexión directa: Agent Teams coordina múltiples instancias trabajando en paralelo, mientras que arscontexta da a cada una de esas instancias acceso a un sistema de conocimiento estructurado. La combinación de agentes paralelos con conocimiento navegable abre posibilidades que ninguna de las dos funcionalidades logra por separado.

Del mismo modo, si seguiste el post sobre gestión de memoria jerárquica en Claude Code, arscontexta extiende ese concepto: en lugar de archivos CLAUDE.md y CONTEXT.md mantenidos manualmente, genera un sistema completo que se actualiza y se auto-organiza.

Recursos

• Repositorio de arscontexta en GitHub
• Anuncio en X (Twitter)
• remember-md - Alternativa de segundo cerebro para Claude Code
• COG-second-brain - Segunda mente con Claude Code + Obsidian + GitHub

---

Si trabajas con Claude Code y quieres explorar sistemas de conocimiento persistente para tus agentes, arscontexta es un punto de partida con una base teórica sólida. Para preguntas o discusiones sobre gestión de conocimiento con IA, contáctame en LinkedIn o a través de la página de contacto.