¿CON QUÉ IA?
Lo contó A quién le sirve. Equipos que desarrollan software o modelos de IA en un campo con mucha investigación publicada y quieren que su agente pruebe ideas sacadas de artículos recientes.
Qué hicieron
Pusieron a dos agentes de Claude Code idénticos a optimizar un modelo de lenguaje pequeño. Uno solo usaba lo que ya sabía. El otro estaba conectado a Paper Lantern, un buscador (vía MCP, un estándar para conectar herramientas a agentes) de más de 2 millones de artículos de informática, y consultaba la literatura antes de cada intento. Revisó 520 artículos, sacó 25 ideas y las aplicó con guías legibles.
Cómo salió
El agente con artículos mejoró el modelo un 4,05 % frente al 3,67 % del otro, y según el autor unas 15 de las 25 ideas funcionaron. Dice también que su mejor configuración se mantuvo más de 12 minutos por delante en una prueba de 2 horas, aunque en los comentarios dudaron de lo sólido y general que es el resultado.
Conviene saber
El coste añadido es que el sistema lee artículos enteros. El autor lo plantea para campos con mucha investigación activa.
Qué necesitas
- Claude Code instalado, con un plan de pago de Claude
- Un buscador de artículos científicos conectable por MCP (un estándar para conectar herramientas a una IA), como Paper Lantern, el del caso, con más de 2 millones de artículos de informática
- Un proyecto con una prueba que dé una puntuación clara y repetible, para medir si cada idea mejora algo
- Un archivo de registro donde el agente anote ideas, artículos de origen y resultados
- Presupuesto extra de uso de IA, porque el sistema lee artículos enteros
Cómo hacerlo tú, paso a paso
- Define cómo vas a medir el éxito: una puntuación que se calcule siempre igual con un solo comando.
- Conecta el buscador de artículos a Claude Code como servidor MCP, siguiendo las instrucciones de la herramienta que elijas.
- Pega el prompt de la ficha con tu proyecto, el problema y la puntuación de partida.
- Pide que el agente lleve un registro con cada idea probada, el artículo que la inspiró y el resultado.
- Para saber si los artículos aportan algo, lanza otro agente igual sin acceso a ellos y compara los resultados.
- Fija el número de experimentos, deja que corra y lee el resumen final. Descarta las ideas que no mejoraron.
Antes de cada intento de mejorar [mi proyecto o prueba de referencia], busca en la colección de artículos de [ruta o herramienta de búsqueda] técnicas relevantes para [problema] y anota qué artículo inspiró cada idea que pruebes. Después impleméntala y compárala con la puntuación actual de [puntuación]. Lleva un registro de las ideas probadas, los artículos de origen y los resultados. Habrás terminado tras [número] experimentos, con un resumen de lo que ayudó.
Consejos
- Mide siempre contra un agente sin artículos antes de fiarte. En los comentarios del caso dudaron de lo fiable y general que era el resultado.
- Elige un problema con mucha investigación reciente. En campos con poca literatura, la biblioteca aportará menos.
- Pon un tope de experimentos y vigila el gasto: leer artículos enteros consume más.
Preguntas frecuentes
¿Tengo que entender los artículos?
No del todo: pídele al agente que explique cada idea con palabras sencillas y decide tú cuáles probar. Lo que sí necesitas es una forma clara de medir si el resultado mejora.
¿Sirve fuera de la informática?
El buscador del caso cubre artículos de informática. En otros campos necesitas una colección equivalente que se pueda conectar al agente.
Fuentes
En el directorio desde el 9 de octubre de 2026.
yang3kc en Substack