Del prompt al contexto

La ingeniería de contexto es el paso siguiente a escribir buenos prompts. La pregunta ya no es solo cómo redactar las instrucciones, sino qué conjunto de información (instrucciones, herramientas, datos externos, historial) hace más probable el comportamiento que buscas. En un agente esa decisión se repite en cada vuelta del bucle.

Más contexto no es mejor contexto

A medida que crece el número de tokens, los modelos recuerdan peor lo que hay en su contexto. Se llama deterioro del contexto y lo compara con un presupuesto de atención que cada token consume. No es un corte brusco, sino una caída gradual. El objetivo: el conjunto más pequeño de información relevante que produzca el resultado buscado.

Instrucciones a la altura justa

Hay dos errores opuestos en los prompts de sistema:

• Demasiado rígido: lógica de "si pasa esto, haz aquello" escrita a mano. Frágil y difícil de mantener.
• Demasiado vago: orientaciones generales que no dan señales concretas o suponen un contexto compartido.

El método que propone: empieza con un prompt mínimo en el mejor modelo disponible y añade instrucciones y ejemplos solo cuando observes fallos. Mínimo no significa corto: significa sin nada que sobre.

En lugar de enumerar todos los casos límite como reglas, usa unos pocos ejemplos variados y representativos.

Cargar información justo cuando hace falta

En vez de meter todos los datos al principio, el agente puede guardar referencias ligeras (rutas de archivo, consultas, enlaces) y cargar el contenido solo cuando lo necesita. Anthropic pone como ejemplo cómo Claude Code analiza grandes volúmenes de datos leyendo solo el principio o el final de los archivos. Los metadatos (carpeta, nombre, fecha) ayudan al agente a decidir qué abrir.

Tiene un coste: explorar es más lento. Por eso suele funcionar mejor un enfoque mixto: cargar de inicio lo básico y dejar que el agente explore el resto. En dominios estables, como el jurídico o el financiero, puede compensar cargar más de entrada.

Tres técnicas para tareas largas

Compactación

Cuando la conversación se acerca al límite, se resume y se empieza una ventana nueva con ese resumen. Hay que conservar decisiones y problemas pendientes, y descartar resultados de herramientas que ya no sirven. Borrar resultados antiguos de herramientas es la forma más segura de empezar.

Notas estructuradas

El agente escribe notas en un archivo fuera de su contexto y las relee después: listas de tareas, un archivo de progreso. Así retoma el trabajo tras un reinicio.

Subagentes

Un agente principal coordina el plan y delega trabajo concreto en subagentes con contexto limpio. Cada subagente puede explorar mucho, pero devuelve un resumen breve, a menudo de 1.000 a 2.000 tokens.

Lo que se aprende con varios agentes

En su sistema de investigación, un agente principal lanza subagentes en paralelo. Algunas cifras que publicaron:

• El sistema con varios agentes superó en un 90,2 % a un solo agente en su evaluación interna de investigación.
• Los agentes consumen unas 4 veces más tokens que un chat, y los sistemas multiagente unas 15 veces más. Solo compensa en tareas de mucho valor.
• Lanzar de 3 a 5 subagentes en paralelo redujo el tiempo de investigación hasta un 90 % en consultas complejas.
• Funciona en tareas amplias e independientes; no en tareas con muchas dependencias entre partes, como la mayoría de la programación.

Sus lecciones de prompting: delegar con objetivo, formato de salida y límites claros; ajustar el esfuerzo a la complejidad de la consulta; y buscar primero en amplio para luego afinar.