El Jardín Secreto del Desarrollador: Cómo la Ontología Espacial Alinea los LLMs Sin Ingeniería de Prompts

Durante tres semanas, desarrollé plugins Gradle con Opencode, utilizando tres LLMs diferentes — Kimi K2.6, GLM-5.1 y DeepSeek-V4-Pro (el único sobreviviente, pero esa es otra historiaYa cubierta aquí. Mi método de gobernanza de agente Lo he documentado en detalle en un artículo anterior. se basa en archivos AsciiDoc —AGENT.adoc, INDEX.adoc, PROMPT_REPRISE.adoc— que cargan aproximadamente 30 000 tokens de reglas, backlog e historial al inicio de cada sesión.

Y pese a esta infraestructura documental, dos cosas me llamaron la atención:

Necesitaba un mecanismo de alineación que no dependiera del número de tokens en el prompt.

La respuesta: dejar de alinear por el texto y comenzar a alinear por l'espacio.

Mi expediente`workspace/(dentro~/workspace/`) no es un repositorio Git. Es la raíz de todo mi trabajo — código, documentación, formación, infraestructura. Y está estructurado en cuatro zonas que no son convenciones de organización, perocírculos de confianza concéntricos:

NOTA: No hay nivel 3 en la tabla. El nivel 3 es un nivel transitorio: es contenido de`office/`que ha sido anonimizado y está listo para ser publicado como datos abiertos. No tiene una zona física propia — es un estado de los datos, no una ubicación.

Cada nivel responde a una pregunta precisa:

Esta ontología esconsumible por un LLM. Cuando lee un archivo en`foundry/plantuml-gradle/src/`, lo sabe implícitamente: "estoy en el círculo 4 — código público, pruebas obligatorias, sin secretos, sin datos pedagógicos". No necesita un recordatorio que se lo recuerde.

Comparemos los dos enfoques.

Cuando el LLM recorre`foundry/, él tiene unmalla de datos estructurados: nodos (plugins, archivos, pruebas, dependencias), aristas tipadas (`import, depends_on, generates, tests), relaciones de composición y orden (`training-gradle`extraer el repositorio →`slider-gradle`genera las diapositivas →`capsule-gradle`reproduce el video)

Esta álgebra no está escrita en ninguna parte de forma clara — pero es observable. Cada`build.gradle.kts`expone las dependencias. Cada`INDEX.adoc`expone referencias cruzadas.

El LLM observa este álgebra y detecta eldelta: la brecha entre lo que el sistema ya sabe producir y lo que la visión describe.

A partir de este delta, puede definircartografías de expertos en oficios— CDA (Diseñador desarrollador de aplicaciones, Kotlin/Gradle/JHipster) y FPA (Formador profesional de adultos, Pedagogía/Qualiopi/Bloom) — e identificar lo que falta para cada experto.

El LLM no necesita que le digan qué hacer. El delta emerge de la estructura.

El álgebra relacional no es una construcción teórica. Está materializada por tres componentes que forman unvector compuesto de contextopara el LLM.

La ontología espacial no se limita a alinear el LLM — le da unacuadro de clasificación RGPDpara enrutar cada dato hacia su zona legítima

Al final de la sesión, el LLM ejecuta unatarea global</think>

Le `.gitignore`raíz no es un archivo de configuración de Git — es unarchivo de gobernanza de la historicización. Define el esquema que el LLM consume para decidir qué archivos del jardín secreto entran en la biografía estratégica y cuáles son descartables.

El LLM ya no es un simple generador de texto. Él es elgestor de informacióndel ecosistema — productor, clasificador, enrutador.

Hoy, esta gobernanza es determinista : el LLM aplica un procedimiento descrito en archivos AsciiDoc. Es lafase 1— la ingeniería de prompts con memoria LLM.

La fase 2extraerá cada paso del procedimiento en unatarea Gradle tipada:

La fase 3modelará el proceso de fin de sesión como ungrafo de estadoconhttps://github.com/langgraph4j/langgraph4j[LangGraph4j] :

Este grafo será versionado en la CI/CD, ejecutado por Gradle, configurado a través de los GitHub Secrets de los plugins. El LLM ya no tendrá que decidir el enrutamiento — el grafo lo hará.

Esto es lo que aporta concretamente:

No pongo un manifiesto político en el footer de mi sitio. No pongo normas éticas en mis prompts. La alineación no está en el texto — está en elsistema de archivos.

Cuando un LLM trabaja en este espacio, no puede filtrar un secreto (el camino se lo impide). No puede confundir un dato pedagógico con código fuente (el área física es diferente). No puede olvidar una regla de seguridad de 80 000 tokens — porque la regla no está en el prompt, está en el`workspace/` → configuration/→office/(output nothing)`foundry/`que cada lectura de archivo sea reactiva

Es el principio de secure by design aplicado al alineamiento del agente: no pedir al LLM que recuerde las reglas. Hacer que la arquitectura haga que el error sea estructuralmente imposible.

Así que, de paso, le da al LLM lo que ningún prompt puede darle: la capacidad depercibirdónde está, lo que existe, lo que falta — y deducir de ello lo que debe hacer.