Organiza ChatGPT con playbooks y memoria

Cuando trabajo con una IA en una tarea recurrente, quiero poder retomar ese trabajo en la siguiente conversación. ¿Qué decisiones hemos tomado? ¿Cómo debe abordarse la tarea? ¿Dónde está la versión actual?

Para eso utilizo un sistema de playbooks, es decir, guías de trabajo. Unas instrucciones breves describen la colaboración. Un índice indica qué archivos necesita cada tarea. Un método común establece cómo investigar, comprobar resultados y mejorar los procedimientos. Los playbooks específicos describen los pasos de cada trabajo. La memoria aporta decisiones y experiencias anteriores.

Puedes montar esta estructura con un almacenamiento de archivos accesible. En mi configuración actual, los documentos completos están en GitHub. Además, utilizo un sistema externo de memoria. Lo importante es que la IA pueda leer las bases pertinentes y guardar los resultados donde podamos continuar más adelante.

Cada componente cumple una función#

Estas funciones no necesitan un archivo separado cada una. Un proyecto pequeño puede funcionar con pocos documentos. Cada información debe tener un lugar claro donde se mantenga actualizada.

Las instrucciones breves llevan al punto de entrada#

Mis instrucciones personalizadas indican que la IA debe completar los encargos, comprobar las incertidumbres y preguntar solo cuando falten datos decisivos. También debe identificar el proyecto pertinente y leer sus bases actuales.

Un ejemplo simplificado de estas instrucciones:

Trabaja con iniciativa, criterio y de forma completa. Identifica el contexto adecuado para tareas especializadas o recurrentes. Lee el índice y el método común, después solo los archivos necesarios. Usa la memoria disponible de forma selectiva y contrástala con los archivos actuales. Guarda las conclusiones duraderas dentro del alcance autorizado y comprueba que se hayan guardado. Responde directamente a preguntas generales sencillas.

También hace falta indicar la ubicación real. «Lee mi índice» sirve de poco si la IA no sabe a qué índice te refieres o cómo acceder a él. Las instrucciones deben nombrar el punto de entrada o explicar cómo encontrarlo. Por sí solas no establecen una conexión con GitHub ni con un servicio de memoria.

El índice es el mapa del sistema#

Mi índice incluye una explicación breve de cada archivo relevante: de qué trata, cuándo se necesita y si está vigente o archivado. En áreas más amplias puede incluir la extensión del documento y la persona o IA responsable.

Supongamos que quiero reescribir un artículo del blog. El índice lleva al método de escritura, a las condiciones pertinentes y a la versión existente. Para una investigación, lleva al procedimiento de investigación y al conocimiento disponible. La IA no necesita leer todos los demás proyectos.

La selección depende del encargo. El trabajo personal, las empresas y los clientes siguen siendo contextos separados. Que haya un perfil empresarial disponible no es motivo para usarlo en una pregunta general.

El método común reúne los procedimientos generales#

Algunas reglas se aplican a casi todas las tareas de cierta complejidad: comprender primero el resultado deseado, comprobar fuentes actuales, considerar los elementos necesarios y revisar el resultado. Estas reglas se mantienen una sola vez en el método común.

También establece cómo tratar las contradicciones. Un recuerdo antiguo puede haber quedado desactualizado. Una respuesta nueva de otro agente puede ser incorrecta. Una preferencia del usuario responde a una cuestión distinta de una fuente factual. La IA debe comprobar el origen, la fecha y el alcance cuando el conflicto influye en la tarea.

El método distingue entre conversar, planificar y ejecutar. Puedo contar una idea sin estar encargando que se construya algo. A su vez, la IA debe completar un encargo claro y ejecutar los pasos ya autorizados.

Un playbook permite repetir una tarea#

Un playbook específico describe cómo abordar un trabajo concreto. Uno de investigación puede incluir la pregunta, las fuentes adecuadas, el tratamiento de pruebas contrarias y el informe esperado. Uno para el blog puede recoger público, estructura, tono, verificación de datos y revisión final.

Un playbook útil contiene:

• su finalidad y los casos en los que se aplica;
• los datos de entrada necesarios y cómo gestionar las carencias;
• el procedimiento y las decisiones importantes;
• la comprobación de integridad y los errores habituales;
• las bases documentales con fuentes y fecha de revisión;
• las adaptaciones confirmadas y su estado real de prueba.

La guía práctica aparece al principio. Las pruebas y los ejemplos detallados pueden ir después o en archivos enlazados. Un borrador sin probar debe seguir identificado como tal.

Mis playbooks nacen del trabajo real. Cuando una tarea se repite o un error aparece varias veces, comprobamos primero si se puede mejorar un procedimiento existente. Crear un archivo por cada palabra nueva volvería el sistema difícil de manejar.

Cómo se aborda una tarea concreta#

Tomemos la reescritura de este artículo. El encargo consiste en explicar el sistema real de playbooks y modificar los archivos correspondientes del blog.

1. Identificar el encargo: Se trata de un artículo existente de la web. El resultado incluye el texto y el cambio en el repositorio.
2. Recuperar decisiones anteriores: La memoria aporta información pertinente sobre la estructura de trabajo y referencias a sus bases.
3. Leer los archivos actuales: El agente lee el índice, el método, las reglas pertinentes del repositorio y el artículo anterior. Comprueba si las referencias de memoria siguen siendo válidas.
4. Editar el contenido: Reescribe el artículo sobre esa base y verifica las afirmaciones concretas sobre productos con fuentes actuales.
5. Revisar el resultado: Texto, traducciones y metadatos deben coincidir. Un cambio en GitHub y un despliegue en la web son pasos diferentes.
6. Comprobar la versión guardada: El agente vuelve a leer los archivos modificados. Una decisión duradera puede recogerse en una entrada breve de memoria con una referencia.

Así se relacionan los componentes. El índice encuentra los documentos, el playbook aporta el procedimiento y la memoria añade antecedentes relevantes.

La memoria conecta el trabajo anterior con los archivos actuales#

En mi configuración, memoria significa un servicio externo de StudioMeyer al que se accede mediante una conexión propia. La memoria integrada de ChatGPT es otro sistema. Según la cuenta y sus ajustes, puede aportar contexto de conversaciones anteriores y otras fuentes disponibles; no recuerda todos los detalles. Los controles disponibles se describen en la documentación de OpenAI sobre memoria.

Mi memoria externa conserva decisiones confirmadas, preferencias duraderas, experiencias respaldadas y referencias a proyectos de forma breve y localizable. Una pequeña idea inicial puede guardarse con estado de idea. Cuando se convierte en un concepto desarrollado, el texto completo pasa al área correspondiente de GitHub y la memoria apunta a él.

Por ejemplo, una entrada de memoria recoge brevemente el público confirmado de un proyecto y dónde está su estrategia actual. El repositorio contiene la estrategia completa, su justificación y los avances. Así el agente puede encontrar y leer el archivo adecuado.

Al comienzo de una sesión de trabajo utilizo un breve resumen de contexto de la memoria disponible y después busco específicamente el contexto del encargo. Las sugerencias del resumen no son encargos nuevos. Incluso una entrada marcada como verificada debe contrastarse con los archivos y datos actuales cuando corresponda.

En este sistema, GitHub contiene la versión de trabajo completa y la memoria conserva contexto breve y referencias. No hay una copia automática de todos los documentos. Los filtros por proyecto ayudan a seleccionar información; los permisos y los espacios de almacenamiento separados requieren su propia configuración.

El sistema mejora mediante experiencias comprobadas#

Si un resultado no encaja, primero investigamos la causa. ¿Se cargó el contexto equivocado? ¿Era confuso el encargo? ¿Estaba desactualizada la fuente? ¿Faltaba un paso en el playbook?

Una mejora confirmada se incorpora al lugar correspondiente. Un procedimiento modificado va al playbook. Una preferencia duradera o una experiencia respaldada también puede resumirse en la memoria. Una petición puntual se mantiene inicialmente en esa tarea.

Los archivos nuevos se vuelven a leer después de guardarlos. Solo entonces se activa su referencia en el índice. Tras una interrupción cuenta el estado realmente guardado, para que la siguiente sesión continúe por el paso pendiente.

Eso es lo que entiendo aquí por aprender: cambios verificables en las bases de nuestro trabajo. Si un cambio produce mejores resultados debe comprobarse en la práctica.

Opcional: conectar varias IA mediante GitHub#

Estas bases también permiten colaborar a varios sistemas de IA. Para ello utilizo además un intercambio privado en GitHub. Allí se guardan aportaciones, entregas y decisiones con su origen y estado. Cada sistema puede leer los documentos autorizados y trabajar con sus propias herramientas.

GitHub permite comprobar quién propuso qué y qué versión se adoptó. Una aportación de otro agente sigue siendo material que hay que revisar. El acceso a archivos no configura por sí solo ejecuciones automáticas ni sincroniza las memorias.

Esta colaboración es una ampliación. Para empezar bastan una IA, un índice legible, un método común y un playbook para una tarea recurrente real.

Empieza con una tarea y comprueba el procedimiento#

Elige una tarea en la que tengas que explicar una y otra vez las mismas bases. Documenta su procedimiento y los datos necesarios. Incluye los archivos en un índice pequeño y da a la IA un punto de entrada claro. Puedes añadir memoria cuando haya acceso y su alcance esté definido.

Después prueba en una conversación nueva: ¿Encuentra la IA el índice? ¿Lee los archivos adecuados? ¿Usa las decisiones anteriores en el contexto correcto? ¿Entrega el resultado completo y comprueba que el resultado se haya guardado cuando se lo encargas?

Así puedes evaluar la estructura. Debe permitirte continuar sobre un trabajo mantenido con encargos formulados de manera normal. El uso real muestra hasta qué punto funciona.

Fuentes y alcance#

La estructura descrita es nuestro método de trabajo. Las funciones del índice, los playbooks, GitHub y la memoria externa son decisiones de procedimiento, no una garantía de producto de OpenAI. Los archivos privados de trabajo se explican aquí como un proceso general.

Bases de producto comprobadas el 1 de octubre de 2026: ChatGPT Custom Instructions y Memory in ChatGPT. Las conexiones y las posibilidades de lectura y escritura dependen del entorno real y de sus permisos.