Análisis del sistema de memoria de WorkBuddy de Tencent: sincronización entre dispositivos, archivos de reglas ocultos y por qué Ask/Craft/Plan empieza a parecerse a formar un compañero de trabajo de largo plazo

Si en los artículos anteriores sobre WorkBuddy la pregunta era:

• si puede entrar en fábrica
• si puede entrar en supply chain
• si puede conectarse a flujos de documentos y sistemas

esta vez la cuestión es otra, y cada vez importa más:

¿Por qué dos personas usan el mismo WorkBuddy y una acaba sintiendo que ha criado un compañero de trabajo que entiende su forma de hacer las cosas, mientras la otra se queda en una herramienta que ayuda de vez en cuando?

Volví a unir varias publicaciones públicas recientes de Tencent Cloud Developer Community y me fijé sobre todo en tres líneas:

1. la configuración inicial
2. el sistema de memoria
3. la sincronización entre dispositivos

Después de leerlas juntas, mi conclusión es bastante directa:

Lo que más se parece a un entorno real de producción en WorkBuddy no es solo si completa tareas, sino que ya aparece una estructura completa de directorio de trabajo + archivos de memoria + reglas de comportamiento + sincronización multidispositivo.

La conclusión primero

• A fecha de 29 de junio de 2026, dentro de la información pública, la línea de flujo avanzado de WorkBuddy que más merece atención se concentra en cinco capacidades:

  1. directorio de trabajo por defecto y ajustes básicos
  2. memoria de IA que se actualiza de forma continua
  3. tres modos de tarea: Ask / Craft / Plan
  4. archivos de reglas ocultos IDENTITY.md / SOUL.md / USER.md
  5. sincronización de memoria entre dispositivos con nube y scripts de automatización

• La diferencia frente a una IA de oficina más corriente no es solo “escribe mejor”, sino que:

  • empieza a recordar quién eres
  • empieza a entender cómo trabajas
  • empieza a mantener el contexto cuando cambias de equipo

• Si hoy trabajas con:

  • flujos de escritorio de alta frecuencia
  • agentes de tareas largas
  • colaboración entre varios dispositivos
  • escenarios híbridos de archivos locales + automatización

  entonces estos casos suelen aportar más valor que mirar otra comparativa de capacidades de modelos.

Por qué que te recuerde importa más que que te responda

Cuando alguien prueba WorkBuddy por primera vez, el error más común suele ser:

• instalarlo y lanzarlo directamente a una tarea
• abrir Craft demasiado pronto
• asumir que la IA ya entenderá sola el contexto

Pero en la práctica, la experiencia de largo plazo casi nunca depende de que la primera tarea salga bien. Depende más bien de esto:

• si conoce tu directorio de trabajo por defecto
• si recuerda tus preferencias
• si entiende tu estilo habitual
• si al abrirlo en otra máquina “pierde la memoria” o no

La diferencia real no la marca una sola conversación, sino esto:

si consigues convertirlo de herramienta puntual en un compañero de trabajo con continuidad.

Caso 1: antes de pedirle que trabaje, define bien directorio, memoria y modos

La pieza pública más directa para entender esta línea es:

WorkBuddy - 设置篇，第一件事不是让它干活（手把手教你基本设置 新手必看）

Vale la pena porque no se queda en consejos genéricos: toca varios problemas reales que los principiantes suelen pasar por alto.

1.1 El directorio de trabajo por defecto importa más de lo que parece

Uno de los recordatorios más útiles del artículo es este:

• conviene fijar pronto el espacio de trabajo por defecto
• y no es buena idea meterlo todo desde el primer día en la unidad C

Esto se parece mucho al mundo real. En cuanto aumentan las tareas, se empiezan a acumular resultados locales, cachés y archivos de proyecto. Si no ordenas el directorio de trabajo desde el principio, el uso se vuelve caótico muy rápido.

No es un truco avanzado. Es simplemente:

la operación básica que hace falta para que un agente de escritorio aguante en uso continuo.

1.2 La memoria no es decorativa: está pensada para crecer contigo

Ese mismo artículo también deja claro que la memoria debe activarse.

La descripción pública es bastante explícita:

• la memoria se actualiza con conversaciones y tareas
• el agente te va entendiendo cada vez mejor
• y tú puedes revisar, editar, borrar o añadir recuerdos de forma periódica

Eso sugiere que la memoria en WorkBuddy no es un interruptor cosmético, sino algo diseñado como:

memoria de largo plazo acumulativa, revisable y corregible.

1.3 Ask / Craft / Plan no es un detalle de interfaz, sino un borde de riesgo

La explicación pública de los tres modos también merece conservarse:

• Ask: solo lectura, sin escribir
• Craft: puede operar directamente sobre archivos
• Plan: primero propone un plan y ejecuta después de confirmación

Esto es importante porque mucha gente empieza directamente por Craft, pero la experiencia pública va justo en sentido contrario:

• quien empieza debería usar primero Ask
• las tareas complejas encajan mejor en Plan
• Craft tiene más sentido cuando ya entiendes bien el perímetro

Visto así, el riesgo de usar IA no se deja “a criterio”, sino que se convierte en un flujo de escritorio más fácil de gobernar.

Caso 2: lo que más se parece a formar un compañero es escribirle identidad, alma y usuario

En esa misma guía de configuración, la parte que más merece capítulo propio es el directorio oculto .workbuddy.

La ruta pública que da el artículo es:

• ~/.workbuddy/ (Mac / Linux)
• C:\\Users\\tu_usuario\\.workbuddy\\ (Windows)

Y dentro de ese directorio hay tres archivos clave:

• IDENTITY.md
• SOUL.md
• USER.md

2.1 IDENTITY.md: quién es

La explicación pública es bastante clara. Aquí se define:

• el nombre
• el rol
• las áreas de foco
• el alcance de sus capacidades

Eso significa que la “personalidad” de WorkBuddy no depende solo de prompts temporales. Puede quedar persistida como configuración duradera.

2.2 SOUL.md: cómo habla y cómo trabaja

Esta capa se parece más a reglas de comportamiento. Los ejemplos públicos incluyen:

• priorizar la concisión
• dar la conclusión primero
• confirmar antes de cualquier operación arriesgada
• si se equivoca, señalar el problema sin rellenar con disculpas innecesarias

Eso ya no es una simple preferencia de chat. En la práctica define:

qué clase de compañero quieres que sea tu agente cuando trabaja contigo todos los días.

2.3 USER.md: quién eres tú

Esta parte le cuenta a la IA:

• cuál es tu contexto
• cómo sueles trabajar
• qué prefieres

Y ahí está una de las cosas más parecidas a una configuración de producción real en toda esta línea de WorkBuddy: no solo eliges un modelo, sino que:

la relación entre persona y agente queda escrita en archivos.

Eso suele ser bastante más estable que repetir en cada conversación “a partir de ahora hazlo así”.

Caso 3: después de 40 días, lo que cambia no es solo el modelo, sino la memoria y las reglas

Otro texto público que merece entrar en el análisis es:

当 AI 开始记住你是谁——我与 WorkBuddy 共处 40 天的真实体感

Lo valioso de ese artículo es que no funciona como tutorial, sino como feedback de uso prolongado.

Por los resultados públicos y la estructura disponible, sus ejes principales incluyen:

• fijar reglas primero
• construir un sistema de memoria
• preparar tareas automatizadas
• coordinar varios dispositivos
• y resumir los tropiezos reales

La idea central me parece especialmente acertada:

lo lejos que puede llegar una IA no depende solo de la potencia del modelo, sino de cuánto tiempo estás dispuesto a dedicarle a enseñarle cómo trabajas.

En WorkBuddy eso se nota todavía más, porque la experiencia que describe no es:

• empezar desde cero cada vez

sino:

• recalibrar de forma continua

Eso se parece mucho más a entrenar un colaborador de largo plazo que a invocar una herramienta efímera.

Caso 4: la sincronización de memoria entre dispositivos es cuando el contexto empieza a convertirse en un activo

Si los dos artículos anteriores explican cómo usar WorkBuddy en una sola máquina, el tercero lo lleva a un flujo de trabajo multidispositivo:

把 WorkBuddy 的记忆带上每一台设备——跨设备记忆同步完整教程 #WorkBuddy

Los puntos públicos más interesantes son bastante concretos:

• el objetivo es resolver la falta de sincronización de memoria entre equipos
• la solución propuesta combina unidad en la nube + scripts de automatización
• el artículo menciona explícitamente OneDrive y otros servicios comunes
• afirma que la configuración puede completarse en 15 minutos
• y el contenido sincronizado incluye:
  • registros de trabajo
  • preferencias del usuario
  • contexto del proyecto

Eso significa que ya no se está hablando solo de “cómo hacer que te entienda mejor en este ordenador”, sino de algo más ambicioso:

si cambias de equipo, puede seguir trabajando como si no hubiera perdido el hilo.

4.1 Lo más parecido a producción aquí no es el script, sino lo que decide sincronizar

Cuando alguien oye “script de sincronización”, suele pensar primero en la implementación técnica. Pero desde el punto de vista operativo, lo importante es otra cosa: qué se sincroniza exactamente.

Según las palabras clave públicas del artículo, lo que viaja entre dispositivos no son ajustes triviales, sino:

• registros de trabajo
• preferencias del usuario
• contexto del proyecto

Si esos tres bloques se mueven bien, entonces pasa algo importante:

• la segunda máquina no necesita volver a enseñarle todo desde cero
• el contexto de las tareas deja de romperse en cada cambio de dispositivo
• cambiar de proyecto o de equipo cuesta bastante menos

Por eso creo que la sincronización de memoria entre dispositivos, especialmente con un flujo apoyado en OneDrive, importa más de lo que parece a primera vista. En el fondo está convirtiendo:

la experiencia acumulada en las conversaciones

en:

un activo de trabajo transferible.

Caso 5: el mayor peligro no es que la IA falle, sino el fallo silencioso y la memoria que se infla sin mantenimiento

Ese artículo de los 40 días también deja varias notas que suenan totalmente a operación real:

• el fallo silencioso en envíos o automatizaciones es el problema más peligroso
• los archivos de memoria no deberían crecer sin limpieza
• las tareas automáticas dependen del momento y del estado real del equipo

Todo esto huele a producción porque ya no son problemas de “el modelo no es tan listo”, sino de algo mucho más terreno:

• la automatización no llegó a ejecutarse como tocaba
• la memoria acumuló demasiado ruido
• se ignoró el estado del dispositivo o la condición de programación

En otras palabras, cuando WorkBuddy empieza a asumir tareas continuas, sus problemas también empiezan a parecerse a los de un sistema real:

• tiene estado
• tiene programación
• tiene recuperación ante fallos
• tiene riesgo de contaminación del contexto

Y justo por eso esta familia de artículos merece análisis propio.

Qué forma adopta ya el flujo avanzado de WorkBuddy

Si juntas la guía de configuración, el artículo de uso durante 40 días y el tutorial de sincronización entre dispositivos, el flujo avanzado de WorkBuddy ya deja ver varios rasgos bastante claros:

• hay un directorio de trabajo por defecto
• hay tres bordes de riesgo: solo lectura, modificación directa y planificación previa
• hay un sistema de memoria que crece en el tiempo
• hay archivos de reglas para fijar identidad, estilo y preferencias del usuario
• hay sincronización entre dispositivos para llevar la memoria de una máquina a otra
• hay automatización y también modos de fallo reales

La diferencia frente a una herramienta de IA más convencional es grande.

Ya no es solo esto:

• haces una pregunta y obtienes una respuesta

Cada vez se parece más a esto:

• tú operas con un sistema de trabajo
• y la IA es un componente configurable, transferible y mantenible dentro de ese sistema

Para quién tiene sentido probarlo ya

Tiene sentido probarlo ya si

• tienes un flujo de escritorio de largo plazo
• cambias con frecuencia entre dispositivos
• ya usas agentes como herramienta diaria, no como curiosidad ocasional
• acumulas carpetas, contexto de proyecto y preferencias personales
• estás dispuesto a mantener archivos de reglas, directorios de trabajo y scripts de automatización

Mejor esperar si

• solo quieres hacer unas pocas consultas sueltas
• casi nunca cambias de equipo y no necesitas contexto multidispositivo
• no quieres mantener ningún archivo de configuración ni automatización
• todavía no tienes claro el perímetro entre directorios locales y permisos del agente

Si quieres conectar un flujo tipo WorkBuddy a modelos personalizados, ¿dónde está el valor real?

Desde negocio, la pregunta de fondo suele no ser “si responde bien”, sino algo más operativo:

• si la memoria de largo plazo conviene repartirla entre distintos modelos
• si el coste de contexto sigue siendo estable cuando la sincronización entre dispositivos entra en juego
• si las tareas automáticas y los flujos de archivos pueden pasar por una misma pasarela de modelos
• si varios agentes, reglas y costes pueden administrarse bajo un mismo control

Por eso, si estás montando un flujo de agente de escritorio de largo plazo / sistema de memoria / automatización, normalmente resulta más útil una pasarela unificada de modelos que apostar todo a uno solo.

Puedes seguir por aquí:

• Precios de modelos
• Comprar API Key
• Tutoriales de uso

Mi conclusión final

Si tuviera que resumir en una sola frase lo más importante de esta ruta de WorkBuddy basada en memoria, sincronización entre dispositivos y archivos de reglas ocultos, diría esto:

Lo más interesante no es que “haga tareas”, sino que ya empieza a mostrar una estructura capaz de convertir una IA de herramienta temporal en un compañero de trabajo de largo plazo.

Esa estructura, al menos por ahora, incluye:

1. directorio de trabajo
2. sistema de memoria
3. archivos de reglas de comportamiento
4. modos con bordes de riesgo
5. sincronización entre varios dispositivos

Y eso también implica que lo más parecido a un entorno real de producción no está en una tarea espectacular aislada, sino en que:

cada vez se parece más a un sistema de trabajo de escritorio que hay que configurar, mantener, migrar y reutilizar.

Fuentes

• 当 AI 开始记住你是谁——我与 WorkBuddy 共处 40 天的真实体感
• 把 WorkBuddy 的记忆带上每一台设备——跨设备记忆同步完整教程 #WorkBuddy
• WorkBuddy - 设置篇，第一件事不是让它干活（手把手教你基本设置 新手必看）