Ingeniería de contexto
Disciplina que decide qué información ve un modelo de lenguaje en cada momento: instrucciones, documentos recuperados, memoria, herramientas disponibles, ejemplos e historial. Su objetivo es el conjunto más pequeño de tokens de alta señal que produzca el resultado deseado, porque el contexto es un recurso finito con rendimientos decrecientes.
La ingeniería de contexto decide qué ve un modelo de lenguaje en cada momento: las instrucciones, los documentos recuperados, la memoria, las herramientas disponibles, los ejemplos y el historial. Su meta es el conjunto más pequeño de tokens de alta señal que produzca el resultado deseado.
Actualizado: 12 de septiembre de 2026.
Durante años, la atención estuvo en el prompt engineering: encontrar las palabras exactas para una instrucción. Con los agentes, el problema creció. Un agente que trabaja en bucle genera cada vez más datos que podrían ser relevantes en el siguiente paso, y alguien tiene que refinar ese universo de información en cada turno. Anthropic, en su artículo Effective context engineering for AI agents (29 de septiembre de 2025), lo plantea como la progresión natural del prompt engineering: el contexto es el conjunto de tokens incluidos al muestrear el modelo, y la ingeniería consiste en optimizar su utilidad frente a las limitaciones inherentes de los LLM.
Por qué el contexto se agota
Los modelos pierden foco cuando el contexto crece. Los estudios sobre recuperación en contextos largos describen el context rot: cuantos más tokens, peor recuerda el modelo lo que está en medio. Cada token nuevo consume una parte del presupuesto de atención, así que cada pieza que entra debe ganarse su lugar. Por eso una ventana gigante no hace magia: permite analizar más material de una vez, pero no sustituye seleccionar bien qué material entra.
Las piezas que se diseñan
Todo lo que ocupa la ventana compite por el mismo presupuesto: el system prompt, las herramientas con sus descripciones, los fragmentos traídos por RAG, la memoria de sesiones anteriores, los ejemplos y el historial. La guía práctica de Anthropic recomienda instrucciones claras en la altitud justa (ni lógica rígida cableada en el prompt ni vaguedades que asumen contexto compartido), herramientas mínimas y sin solapamientos, y unos pocos ejemplos canónicos y diversos en lugar de una lista interminable de casos borde.
Tres técnicas que usan los agentes reales
La primera es la recuperación justo a tiempo: en vez de precargar todo, el agente guarda referencias livianas (rutas, consultas, enlaces) y carga cada dato con herramientas solo cuando lo necesita. La segunda es la compactación: al acercarse al límite de la ventana, se resume la conversación y se continúa con el resumen más los archivos recientes. La tercera son las notas estructuradas y los subagentes: el agente escribe notas persistentes fuera de la ventana, o delega exploraciones a subagentes que devuelven resúmenes condensados de 1.000-2.000 tokens al coordinador.
Ejemplo ilustrativo
Imagina un asistente de soporte que responde sobre un catálogo de 2.000 productos. La versión ingenua pega el catálogo entero en cada pregunta. La versión con ingeniería de contexto hace otra cosa: un system prompt breve con el rol y el formato de respuesta, una búsqueda que recupera solo los 3-4 productos relevantes por consulta, el historial resumido a las últimas decisiones, y dos ejemplos del tono esperado. Menos tokens, respuestas más precisas y factura más baja. No es un experimento medido: es el patrón que describe la literatura citada, aplicado a un caso típico.
Cómo empezar en tu propio trabajo
Empieza con el prompt mínimo y el mejor modelo disponible, mide dónde falla, y añade solo lo que corrija esos fallos: un ejemplo donde el formato se rompía, una fuente que el modelo inventaba, una herramienta cuyo resultado llegaba crudo. Cada adición debe justificarse con un fallo observado. El contexto bien diseñado se nota en lo que falta, no en lo que sobra.
Preguntas frecuentes
- ¿Qué es la ingeniería de contexto?
- Es el conjunto de estrategias para seleccionar y mantener los tokens óptimos que ve un modelo en cada inferencia: instrucciones de sistema, herramientas, datos externos, historial y ejemplos. Anthropic la describe como la progresión natural del prompt engineering hacia los agentes: ya no se trata solo de redactar una buena instrucción, sino de responder qué configuración de contexto produce el comportamiento deseado.
- ¿Cuál es la diferencia entre ingeniería de contexto y prompt engineering?
- El prompt engineering se concentra en redactar y organizar instrucciones efectivas, sobre todo el system prompt. La ingeniería de contexto abarca todo lo demás que también llega al modelo: documentos recuperados con RAG, memoria entre sesiones, herramientas disponibles, ejemplos y el historial de la conversación. Un buen prompt con mal contexto sigue fallando.
- ¿Por qué no basta con una ventana de contexto gigante?
- Porque el contexto es un recurso finito con rendimientos decrecientes: a medida que crecen los tokens, al modelo le cuesta más recuperar lo relevante (el fenómeno conocido como context rot), suben el coste y la latencia, y el ruido diluye la atención. La práctica profesional es el conjunto más pequeño de tokens de alta señal que resuelva la tarea, no el más grande posible.
- ¿Qué técnicas usa la ingeniería de contexto en agentes?
- Recuperación justo a tiempo (el agente carga datos bajo demanda en vez de todo por adelantado), compactación (resumir el historial al acercarse al límite y continuar con el resumen), notas estructuradas o memoria persistente fuera de la ventana, y arquitecturas multiagente donde cada subagente devuelve un resumen condensado al coordinador.