Context Engineering

La ingeniería de contexto consiste en decidir qué información se introduce en la ventana de contexto de un modelo en cada paso de una aplicación de IA: las instrucciones, los ejemplos, los documentos recuperados, las definiciones de herramientas, los resultados de las herramientas, la memoria y el historial de conversación, así como cuánto incluir de cada elemento, en qué orden y qué dejar fuera. El término se extendió a mediados de 2025, cuando los agentes de IA empezaron a ejecutar tareas con decenas o cientos de pasos. Andrej Karpathy la describió como «el delicado arte y ciencia de llenar la ventana de contexto con la información justa para el siguiente paso», y Effective Context Engineering for AI Agents, de Anthropic, la define como la selección del «conjunto óptimo de tokens» durante la inferencia. La ingeniería de prompts, que consiste en redactar las instrucciones, es una parte de ella.

Por qué el contexto necesita ingeniería#

Un modelo de lenguaje grande (LLM) solo conoce los datos con los que se ha entrenado y lo que contiene su contexto, así que la falta de contexto produce respuestas genéricas o alucinaciones. Un exceso de contexto tampoco funciona. La precisión disminuye a medida que crecen las entradas, un efecto denominado deterioro del contexto, y el estudio Lost in the Middle descubrió que los modelos aprovechan mejor la información al principio o al final de una entrada larga y peor en el medio. Anthropic describe el contexto como un presupuesto de atención con rendimientos decrecientes, que se reduce con cada token añadido. Cada token también aumenta el coste y la latencia de inferencia. El problema se agrava con los agentes, porque cada paso añade llamadas a herramientas y sus resultados, así que el contexto crece con cada acción, aunque el nuevo material ya no sea relevante.

Estrategias principales#

La guía general sobre ingeniería de contexto de LangChain agrupa las técnicas en cuatro estrategias, que se corresponden con los métodos para tareas de larga duración descritos por Anthropic:

• Escribir: Guarda información fuera de la ventana de contexto, en un bloc de notas, un archivo de notas o una memoria a largo plazo, para que persista cuando la conversación avance. Anthropic lo denomina toma estructurada de notas.
• Seleccionar: Incorpora solo lo que necesita el paso actual, como fragmentos pertinentes, recuerdos o descripciones de herramientas. Anthropic describe agentes que mantienen referencias ligeras, como rutas de archivos o consultas, y cargan el contenido justo cuando hace falta.
• Comprimir: Conserva solo los tokens que necesita la tarea, mediante resúmenes o recortes. La compactación resume un contexto casi lleno y continúa en una ventana nueva a partir de ese resumen.
• Aislar: Reparte el trabajo entre subagentes con ventanas de contexto limpias que devuelven resultados condensados a un agente principal, o guarda los datos voluminosos en un entorno aislado o un objeto de estado en vez de incluirlos en el contexto.

El orden y la estabilidad importan tanto como el contenido. La caché de prompts solo reutiliza un prefijo idéntico, por lo que los contextos suelen organizarse con las instrucciones fijas y las definiciones de herramientas al principio, y el material cambiante al final. Una revisión de más de 1.400 artículos de Lingrui Mei y sus colaboradores organiza el campo en recuperación y generación de contexto, procesamiento del contexto y gestión del contexto, aplicados en generación aumentada por recuperación, sistemas de memoria, razonamiento integrado con herramientas y sistemas multiagente.

Herramientas, protocolos y habilidades#

Gran parte del contexto de un agente procede de las herramientas, y el Protocolo de contexto de modelo (MCP), que Anthropic presentó en noviembre de 2024 y donó posteriormente a una fundación de la Linux Foundation, estandariza la forma en que las aplicaciones exponen herramientas y datos a los modelos. Las definiciones de herramientas también forman parte del contexto: cada herramienta que puede utilizar un agente consume tokens en todas las solicitudes, así que algunos agentes cargan las definiciones solo cuando las necesita una tarea. Las habilidades de agente aplican la misma idea a las instrucciones y empaquetan guías y archivos de referencia en carpetas que el agente carga solo cuando la tarea lo requiere.

Ultralytics Agent Skills utiliza este diseño para agentes de programación que trabajan con Ultralytics YOLO. Las habilidades solo se cargan cuando se solicita una tarea pertinente; una habilidad de enrutamiento yolo asigna cada solicitud a la fase del ciclo de vida correspondiente, como conjuntos de datos, entrenamiento o exportación; y los datos sensibles a la versión, como los nombres de los pesos, los argumentos de entrenamiento y los formatos de exportación, se guardan en catálogos basados en una versión fijada de ultralytics, y cada habilidad indica al agente que confíe en el paquete instalado cuando haya diferencias.

Ingeniería de contexto frente a términos relacionados#

• Ingeniería de prompts: Se ocupa de cómo redactar instrucciones y ejemplos. La ingeniería de contexto también gestiona todo lo demás que llega al modelo, en cada paso de una aplicación.
• Enriquecimiento de prompts: Añade datos a una única solicitud antes de que llegue al modelo; es una de las operaciones de selección de la ingeniería de contexto.
• Ventana de contexto: Longitud máxima de entrada del modelo, que determina el presupuesto. La ingeniería de contexto decide cómo utilizarlo, y una ventana más grande no elimina esa necesidad, ya que la precisión disminuye a medida que se llena.
• Ajuste fino: Cambia lo que sabe el modelo al actualizar sus pesos. La ingeniería de contexto cambia lo que ve el modelo durante la inferencia y deja intactos los pesos.