Este devlog detalla los desafíos continuos en el desarrollo del bot "Kiwi-chan" para un bucle de supervivencia, centrándose en corregir fallos persistentes de auditoría y problemas de pathfinding. El desarrollador implementó reglas más estrictas para la recolección de ítems y el movimiento, exigiendo un progreso explícito para resolver errores.
La transmisión de registros en tiempo real transforma la depuración de código generado por IA, ofreciendo una transparencia e inmediatez que los métodos tradicionales no poseen. Este enfoque acelera la detección de errores y fomenta la confianza en la IA al hacer el proceso visible y comprensible.
El autor experimentó problemas de transparencia con el uso de tokens de Claude Code, lo que resultó en un consumo de recursos desconocido. Al construir la herramienta PRISM para analizar los registros detallados de sesión de Claude, descubrió ineficiencias significativas, como relecturas excesivas y reglas ignoradas que quemaban tokens silenciosamente.
Claude Code introdujo una función de auto-memoria predeterminada que consumía el 47% del prompt del sistema y degradaba el rendimiento del modelo. El autor detalla cómo descubrió y deshabilitó esta función mediante una variable de entorno, restaurando el comportamiento esperado de la IA.
Este artículo explora cómo apcore se integra con OpenTelemetry para transformar el razonamiento de la IA de una "Caja Negra" en una "Caja de Cristal" transparente y rastreable. Introduce el concepto de "Thought Span" para depurar sistemas de Agentes de IA no deterministas donde los rastreos de pila tradicionales son insuficientes.
Este contenido describe una experiencia frustrante donde un agente de IA, Kiwi-chan, quedó atrapado en un bucle de fallos al intentar recolectar troncos de abedul, a pesar de los intentos de reparación de código por parte de un LLM, Qwen. El problema subraya la dificultad de la IA para la autocorrección y para reconocer la necesidad de explorar en lugar de centrarse solo en soluciones inmediatas.