> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/es/2026/w20-heuristic-systems-and-the-checkout-strategy-platform.md).

# W20-Heuristic System y la plataforma de estrategias de pago

La semana pasada, Weng Jiayi, ingeniero de posentrenamiento de OpenAI, publicó [Aprender más allá de los gradientes](https://trinkle23897.github.io/learning-beyond-gradients/). Propone un paradigma nuevo: las políticas programáticas, las representaciones del estado, los canales de retroalimentación, los registros de experimentos, la reproducción y las pruebas, la memoria histórica y un mecanismo de actualización ejecutado por un agente de programación pueden formar un Heuristic System, HS, que evoluciona continuamente. Heuristic Learning, HL, impulsa sus actualizaciones. Lo que se actualiza es la estructura del software, no los parámetros de una red neuronal.

Al terminar de leerlo pensé: qué coincidencia. ¿No describe con precisión lo que está haciendo la plataforma de estrategias de la pantalla de pago? O, al menos, lo que intenta llegar a ser.

Hay que reconsiderar la afirmación de que la evolución de esta plataforma consiste en sustituir reglas por algoritmos. Según los conceptos del artículo, estamos construyendo un Heuristic System. La capa de reglas protege en tiempo real las restricciones del negocio. La de grandes modelos construye representaciones estructuradas del estado mediante procesamiento diferido. La de modelos pequeños toma decisiones de estrategia sobre el estado completo. Las tres evolucionan de forma coordinada mediante un flujo de datos compartido, un sistema de experimentación y pruebas de regresión.

Muchas reglas heurísticas no son inútiles; simplemente cuestan demasiado de mantener. Con las herramientas adecuadas, la curva de mantenimiento se aplana y un sistema de reglas puede conservarse a largo plazo. La mayoría de las casi mil reglas de la pantalla de pago no están equivocadas. El problema es que se han acumulado en un sistema sin capas, sin cobertura de pruebas y sin gestión de su ciclo de vida. La complejidad se ha descontrolado.

El ciclo central de HL es: retroalimentación del entorno -> leer el contexto -> modificar la política y las pruebas -> volver a validar -> registrar los resultados -> siguiente ronda. Hoy este ciclo está roto en la pantalla de pago. Los registros de decisiones son incompletos, falta un sistema de experimentación y no existe capacidad de simulación y reproducción. La entrada de «retroalimentación del entorno» no se recopila de forma estructurada. Por eso, el flujo completo de datos, los registros de decisiones, el sistema de experimentación y la reproducción de estrategias que debe construir el proyecto no son simples capacidades de apoyo: son la infraestructura del ciclo de HL.

Un HS exige una representación estructurada del estado. Sin ella, la política solo puede decidir sobre características superficiales, por complejo que sea el modelo. El trabajo del gran modelo en el KYC de la pantalla de pago consiste, en esencia, en construir esa representación. No hace recomendaciones en tiempo real. Transforma características del comportamiento del usuario difíciles de expresar directamente en etiquetas estructuradas que las estrategias posteriores pueden utilizar. Por ejemplo, si una persona usa WeChat por hábito o porque responde a los subsidios.