
Google publicó un experimento que vale la pena leerse dos veces: dejaron a Gemini 4 Argon corriendo 11 horas sin supervisión sobre el codebase de su propio Agent Development Kit (ADK) — más de 200.000 líneas de Python en ~800 archivos, con casi 17.000 tests unitarios — con una sola misión: que el framework deje de agregar overhead perceptible a los agentes que corre.
Spoiler: lo logró parcialmente, y el “parcialmente” es la parte interesante.
El setup: tratar al agente como un ingeniero nuevo (pero nocturno)
La gracia del experimento es que no era un proyecto greenfield desde carpeta vacía — que es donde los agentes de código brillan — sino optimizar rendimiento sobre un codebase existente, que es mucho más difícil: no puedes abrir un archivo y ver el cuello de botella; tienes que razonar ortogonalmente al síntoma y mantener un mapa mental de cómo todo encaja.
Los ingenieros de Google lo montaron así:
- Skills como guía de onboarding: especificaron convenciones del repo (testing, benchmarking) en archivos
.agents/skills, “como la guía de onboarding de un ingeniero nuevo”, con la instrucción de cargar solo la skill necesaria para no inundar el contexto. - Goal mode para sobrevivir a la compresión: usaron el modo
/goalde Antigravity, que preserva el objetivo a través de los ciclos de context compaction durante corridas largas. - Un prompt objetivo con criterios de aceptación: mejorar sesiones largas y arranque en frío, sin cambiar la API pública ni lo que recibe el modelo, cada cambio respaldado por un test de regresión, todo en un solo PR contra main con números before/after en la descripción — y explícitamente “no lo hagas merge”.
Los logs mostraron que Argon leyó las guías del repo, estableció baselines de rendimiento, propuso optimizaciones, auto-revisó sus cambios y corrió los 16.892 tests open source antes de terminar.
Los resultados: dos wins, cuatro rechazos
Aceptado 1 — Sesiones más baratas: filtrar eventos antes de copiar el historial de sesión bajó el overhead de preparación en memoria ~40% en sesiones largas.
Aceptado 2 — Imports perezosos: lazy loading de paquetes pesados recortó el tiempo de import frío del paquete 21%.
Parecen números chicos, pero son exactamente del tipo que se compone: en una corrida de 158 turnos internos de tool-calling, eliminar esas copias bajó el run completo de 65,6 a 56,1 segundos — casi 10 segundos de overhead puro de framework que el agente ya no paga.
Los cuatro rechazos son la otra mitad de la historia: modificaciones descartadas en revisión por fiabilidad, mantenibilidad, compatibilidad o falta de beneficio medible. Consistente con lo que muestra la industria: el cuello de botella de los agentes de código ya no es escribir el cambio, sino todo lo que viene después — review, debugging, testing.
El insight que se rola a tu equipo
Lo más valioso del post no son los porcentajes: es que el agente hizo el trabajo cross-module que un profiler no hace por ti. Un profiler te dice que copiar sesiones e importar paquetes toma tiempo. No te traza cada caller, mock target y referencia compartida a través de 40 archivos para acelerar esas rutas sin romper aplicaciones existentes. Eso es exactamente el legwork que nadie quiere hacer de día.
Tres prácticas para copiar de acá si estás poniendo agentes a trabajar en repos reales:
- Skills cortas por dominio (testing, benchmarking, estilo) cargadas on-demand, no un mega-prompt.
- Objetivos con criterios verificables (test de regresión obligatorio, números before/after, un solo PR) — no “optimiza esto”.
- El humano mantiene el merge: el agente propone con evidencia; el mantenedor decide.
El elogio final lo resume Google sin querer: el run nocturno produjo el tipo de PR que un mantenedor aprobaría — porque estaba diseñado para ser aprobado por un humano, no para pasar desapercibido.
Fuentes: Google Developers Blog, InfoQ (24 oct 2026).


