SigMap v8.9: La Capa de Contexto Determinista Reduce el Uso de Tokens en un 97% para Agentes de Codificación de IA

SigMap v8.9 es una capa de fundamentación determinista y verificable para el trabajo de código con IA. Afirma una reducción de tokens del 97.0 %, una precisión de recuperación hit@5 del 87.8 % (frente al 13.6 % aleatorio) y un 49.2 % menos de prompts por tarea (1.44 frente a 2.84). La herramienta no tiene dependencias, es completamente offline y funciona con TypeScript, Python, Go, Rust, Java, Kotlin, Ruby, PHP, Swift, C#, C++, Dart, Scala, Vue, Svelte, GraphQL, SQL, Terraform, R, GDScript y más.
Flujo de trabajo principal: preguntar, validar, juzgar, aprender
El flujo de trabajo va más allá de la simple reducción de contexto:
- Generar un mapa de firmas compacto una vez con
npx sigmap. - Preguntar por archivos específicos para la tarea actual:
sigmap ask "explica el flujo de autenticación". Esto genera una lista de archivos clasificados y.context/query-context.mdlisto para pegar. - Validar cobertura:
sigmap validate --query "auth login token"comprueba si el contexto es suficiente. - Juzgar fundamentación:
sigmap judge --response response.txt --context .context/query-context.mdpuntúa si la respuesta está fundamentada en el código.
Integración con MCP e IDE
SigMap está listo para MCP y funciona con Copilot, Claude Code, Cursor, Windsurf, Codex, OpenCode y Gemini CLI. El lanzamiento v8.9.1 añade una herramienta MCP squeeze_output y el flag de CLI squeeze --response para comprimir trazas de pila ruidosas, logs de CI o cargas JSON de forma determinista en medio de la sesión: la decimonovena herramienta MCP.
Resultados de benchmark
Último benchmark guardado (v8.9.1, julio 2026):
| Métrica | Sin SigMap | Con SigMap |
|---|---|---|
| Proxy de éxito de tarea | 10% | 67.8% |
| Prompts por tarea | 2.84 | 1.44 |
| Acierto de recuperación hit@5 | 13.6% | 88% |
| Reducción total de tokens | — | 97.0% |
| Repositorios que desbordan GPT-4o | 16/21 | 0/21 |
El rendimiento abarca 21 repositorios y 90 tareas de codificación reales.
Inicio rápido
npx sigmap
sigmap ask "explica el flujo de autenticación"
# Genera lista de archivos clasificados + .context/query-context.md
# Pega el contexto en el asistente de IA
Para equipos o CI, SigMap ofrece estrategias configurables y generalización para monorepos. También tiene una guía dedicada para agentes de código abierto (OpenCode, Aider, Cline) y LLMs locales (Ollama, llama.cpp, vLLM): sin costo, privacidad total.
📖 Leer la fuente completa: HN LLM Tools
👀 Ver también

Complementos esenciales de OpenClaw para desarrolladores que utilizan agentes de codificación con IA
Un desarrollador probó los complementos de OpenClaw e identificó herramientas esenciales, incluyendo env-guard para seguridad, commit-guard para prevenir commits erróneos, composio para conectarse a más de 860 herramientas, cortex-memory para sesiones largas, cost-tracker para visibilidad del gasto y openclaw-better-gateway para solucionar conexiones inestables.

Escalpelo v2.0: Escáner de Base de Código y Orquestador de Agentes de IA
Scalpel v2.0 es una herramienta de código abierto que escanea bases de código en 12 dimensiones y ensambla equipos personalizados de agentes de IA. Incluye un escáner puro en bash que funciona sin tokens de IA y es compatible con Claude Code, Codex, Gemini, Cursor, Windsurf, Aider y OpenCode.

Habilidades de Investigación Académica para Claude Code: Un Flujo de Trabajo Humano en el Ciclo para la Redacción de Artículos
Academic Research Skills (ARS) v3.7.0+ es un plugin para Claude Code que automatiza la búsqueda de referencias, el formateo de citas, la verificación de datos y la revisión de consistencia lógica, manteniendo al investigador humano al mando. Instálalo a través de /plugin marketplace add Imbad0202/academic-research-skills.

Contexto Lean: El Complemento de Código Claude Convierte Documentación Detallada en Archivos Optimizados para Agentes
Un complemento gratuito y de código abierto para Claude Code llamado Lean Context escanea la documentación del proyecto y elimina el contenido que los agentes de IA pueden descubrir mediante búsquedas, conservando solo los comandos esenciales no obvios, las trampas y las peculiaridades del entorno. En una prueba con un proyecto de comercio electrónico .NET, redujo 8 documentos con un total de 1.263 líneas a solo 23 líneas.