Warp ha desarrollado un patrón de arquitectura para crear agentes de inteligencia artificial que mejoran su rendimiento de forma autónoma mediante el uso de 'habilidades' (skills) basadas en archivos sobre la plataforma de Claude. Este enfoque permite a los agentes aprender del feedback humano acumulado y actualizar sus propios conocimientos sin requerir reentrenamientos costosos o complejos.
El problema central que resolvió Warp fue la pérdida de contexto: tradicionalmente, el feedback que los usuarios daban a un agente (como correcciones en revisiones de código) desaparecía al finalizar la sesión, impidiendo que el sistema aprendiera de sus errores. Para solucionarlo, el equipo diseñó un bucle de auto-mejora compuesto por dos componentes principales: una habilidad base que contiene el conocimiento funcional del dominio y una habilidad externa 'mejoradora' (improver) que actúa como observador.
El flujo de trabajo funciona así: cuando el agente ejecuta una tarea, los humanos proporcionan feedback específico sobre la calidad de la salida. La habilidad mejoradora, que se ejecuta periódicamente mediante programación, analiza este feedback acumulado y propone ediciones mínimas y focalizadas al archivo de la habilidad base. Dado que estas habilidades son archivos de texto plano, las actualizaciones pueden pasar por flujos de trabajo estándar de control de versiones (como Pull Requests en GitHub), donde un humano revisa, aprueba y fusiona los cambios. Una vez integrados, el agente hereda automáticamente el nuevo conocimiento en su siguiente ejecución.
Warp aplica este mecanismo a escala en su repositorio de código abierto, utilizando agentes separados para la especificación, revisión y clasificación (triage) de problemas, cada uno con su propio bucle de mejora continua. Esta metodología transforma a los agentes de asistentes puntuales en sistemas capaces que compunden sus capacidades organizacionales con el tiempo.