Ingeniería de contexto: la información correcta en el momento justo
La ingeniería de contexto (context engineering) consiste en elegir y organizar todo lo que entra en la ventana de contexto de un modelo en cada llamada: instrucciones, definiciones de herramientas, documentos, memoria e historial. Prolonga la ingeniería de prompts, que se queda corta para agentes que trabajan en tareas largas.
Datos a 22 de octubre de 2026
Lo esencial en cifras
| Nivel | Avanzado |
|---|
Definición
Dicho de forma sencilla: en cada momento, un modelo solo sabe lo que hay en su ventana de contexto. La ingeniería de contexto es el arte de llenar esa ventana con lo que ayuda, y nada más. En su guía publicada en septiembre de 2025, Anthropic la define como el conjunto de estrategias para seleccionar y mantener el mejor conjunto de tokens durante la inferencia, con un principio rector: encontrar el conjunto más pequeño posible de tokens de alta señal que maximice la probabilidad de obtener el resultado deseado.
Por qué la ingeniería de prompts ya no basta
Un agente que encadena muchos pasos acumula resultados de herramientas, archivos leídos e intercambios. El contexto funciona como un «presupuesto de atención»: cada token añadido lo consume, y la precisión al recordar baja a medida que el contexto crece. El reto ya no es solo formular bien la instrucción inicial, sino gestionar todo lo que se acumula después. Para hacerse una idea de las magnitudes, pruebe nuestra herramienta ventana de contexto.
Las técnicas principales
- Recuperación en el momento justo: en lugar de cargarlo todo de antemano, el agente guarda referencias ligeras (rutas de archivos, direcciones web) y abre los contenidos cuando los necesita, mediante sus herramientas o un servidor MCP.
- Compactación: resumir el historial al acercarse al límite y continuar desde el resumen.
- Notas estructuradas: el agente escribe notas fuera del contexto y las relee más tarde, una forma de memoria de agente.
- Subagentes: agentes especializados trabajan cada uno con un contexto limpio y solo devuelven un resumen condensado al agente principal.
- Selección documental: el RAG inyecta solo los pasajes pertinentes.
Un ejemplo concreto
Un agente encargado de migrar una aplicación a una nueva versión de una biblioteca lee primero la lista de archivos, no su contenido. Anota su plan en un archivo de seguimiento, delega el análisis de cada módulo en un subagente y solo conserva las conclusiones en su propio contexto. Cuando el historial crece, lo compacta. Resultado: incluso tras muchos pasos, sus instrucciones iniciales siguen claras.
Ideas falsas habituales
- «Más contexto, mejores respuestas.» Más allá de lo necesario, el ruido reduce la precisión y encarece el coste.
- «Es un nombre nuevo para el prompt.» El prompt es solo una parte: herramientas, memoria e historial suelen pesar más.
- «Basta con un modelo de contexto largo.» Eso aleja el límite, pero no evita tener que seleccionar.
Términos relacionados: contexto largo, memoria de agente, RAG, MCP.
Términos relacionados
- Ingeniería de prompts · Práctica de redactar, probar y mejorar las instrucciones que se dan a una IA para obtener respuestas más fiables y útiles.
- Ventana de contexto · Cantidad máxima de texto (en tokens) que un modelo puede leer y producir de una sola vez, incluida su propia respuesta.
- Memoria de agente · Mecanismos que permiten a un agente de IA guardar, recuperar y actualizar información más allá de una sola petición.
- RAG (generación aumentada por recuperación) · Técnica que primero busca pasajes relevantes en sus documentos y luego se los entrega al modelo para que base en ellos su respuesta.
- Contexto largo · Capacidad de un modelo para procesar de una vez textos muy extensos (libros, repositorios de código) y técnicas que la hacen posible.
- Model Context Protocol (MCP) · Protocolo abierto que estandariza la forma de conectar una aplicación de IA con herramientas, datos y servicios externos.
Para probar
Todo el glosario
Preguntas frecuentes
¿En qué se diferencia de la ingeniería de prompts?
La ingeniería de prompts se centra en redactar buenas instrucciones. La ingeniería de contexto gestiona todo el conjunto de tokens que se presenta al modelo a lo largo de varios turnos: instrucciones, herramientas, datos externos e historial. Anthropic la describe como la evolución natural de la ingeniería de prompts.
¿Una ventana de contexto grande no resuelve el problema?
No del todo. Anthropic describe el fenómeno de «context rot»: cuanto más crece el contexto, más disminuye la capacidad del modelo para recuperar con precisión una información. Una ventana mayor aleja el límite, pero no evita tener que seleccionar.
¿Qué es la compactación?
Consiste en resumir el historial de una conversación larga cuando se acerca al límite del contexto y continuar a partir de ese resumen y de los elementos recientes. El agente mantiene el hilo sin arrastrar todo el detalle.
¿Hace falta ser desarrollador para que esto le interese?
Las técnicas avanzadas conciernen sobre todo a los desarrolladores. Pero el principio sirve a cualquier usuario: dar al asistente los documentos útiles, quitar los que no lo son y empezar una conversación nueva cuando la actual se ha alargado demasiado.
Fuentes de los datos
Datos a 22 de octubre de 2026
Señalar un error
¿Una cifra, una fecha o un dato le parece incorrecto? Díganoslo: verificamos cada aviso.