A continuaciónSiguiente guía
Contexto largo vs RAG
Idioma IA
GUÍA de IA en idiomas
Ingeniería de contexto
La ingeniería de contexto es la práctica de decidir qué ve un modelo de lenguaje en cada paso (instrucciones, documentos recuperados, definiciones y resultados de herramientas, historial de conversaciones y memoria) y ajustarlo a una ventana de contexto limitada.
Escuche esta guíaNarrado por IA · ~3 min
En esta pagina4 minutos de lectura
Descripción general
Va más allá de una redacción rápida. Es importante porque la calidad del resultado depende en gran medida de lo que hay en la ventana y, en agentes y tareas largas, ese contexto se ensambla mediante código en cada llamada, no lo escribe una sola persona.
Buceo profundo
La ingeniería rápida se centra en redactar una única solicitud. La ingeniería de contexto adopta una visión más amplia. El modelo recibe una secuencia de fichas y todo lo que contiene compite por el espacio y por la atención del modelo. Esa secuencia generalmente incluye un mensaje del sistema, definiciones de herramientas, pasajes recuperados, turnos anteriores, salidas de herramientas y, a veces, memoria a largo plazo. El término se volvió común en 2025, cuando los agentes de creación de equipos descubrieron que muchas fallas se debían a que el modelo tenía información incorrecta, demasiada o información contradictoria, en lugar de una mala redacción. Siguen varios principios. En primer lugar, la relevancia supera al volumen. Algunos modelos aceptan cientos de miles de tokens, pero no utilizan todos los tokens de la misma manera. El estudio "perdido en el medio" (Liu et al., 2023) encontró que los modelos a menudo utilizan mejor la información al principio y al final de una entrada larga que la información enterrada en el medio. En segundo lugar, el contexto es un presupuesto. Cada token cuesta dinero y añade latencia, y el material irrelevante puede distraer al modelo. En tercer lugar, la estructura ayuda. Las secciones claras, los documentos etiquetados y los formatos consistentes facilitan que el modelo encuentre lo que importa. Las técnicas comunes incluyen: - generación aumentada de recuperación, que recupera solo los pasajes relevantes - carga justo a tiempo, donde un agente mantiene referencias livianas como nombres de archivos o ID y usa herramientas para extraer el contenido completo cuando es necesario - toma de notas estructurada que mantiene el estado fuera de la ventana - compactación de historias largas - subagentes que exploran en su propio contexto y devuelven hallazgos condensados Una idea errónea es que la ingeniería de contexto es solo un nuevo nombre para las indicaciones. La redacción es una parte, pero la mayor parte del trabajo es el diseño de sistemas: decidir qué se recupera, se resume o se elimina, y en qué orden aparece. Otra idea errónea es que una ventana más grande elimina la necesidad de hacerlo. Una ventana más grande reduce la presión, pero los límites de costos y atención permanecen.
Implementación en el mundo real
A customer support bot retrieves only the three most relevant help-center articles plus the customer's plan tier. It does not paste the whole knowledge base into every request.
A coding agent starts with a list of file paths and function signatures, then uses a read-file tool to load full files only when it needs them.
A meeting assistant saves decisions and action items to a structured notes file and reloads that file next session, instead of replaying every past transcript.
A team changes a database tool so it returns a filtered summary with a row count instead of 5,000 rows of raw JSON. This stops the agent's window from filling with data it will never use.
El futuro de la ingeniería de contexto
Context windows have grown quickly, and models are getting better at using long inputs. Cost, latency and attention limits still make it important to choose what goes in. More of this work is moving into frameworks and platforms, and several providers already offer built-in memory tools, automatic compaction and managed retrieval. The skill is likely to shift from assembling context by hand toward designing policies for what an agent should remember, fetch or forget, and then testing those policies. It is an open question whether future model designs will need less careful curation. For now, deliberately designed context is one of the most reliable ways to improve model output.
Poniéndolo en práctica
Por qué es importante
- Velocidad y escala. Los flujos de trabajo lingüísticos pueden avanzar más rápido sin sacrificar la coherencia.
- Acceso y alcance. Amplía el acceso a través de idiomas y estilos de comunicación.
- Decisiones más claras. Los equipos pueden dedicar más tiempo a juzgar mientras la automatización se encarga de la repetición.
cuidado con
- Los hechos alucinados pueden aparecer silenciosamente en informes, flujos de apoyo o resultados de investigaciones.
- La sensibilidad rápida puede crear resultados inconsistentes en solicitudes similares.
- Los datos de texto confidenciales pueden quedar expuestos si los controles de acceso son débiles.
Próximos pasos
- Defina el formato de salida, el tono y los estándares de calidad antes del lanzamiento.
- Respuestas terrestres con fuentes confiables siempre que la precisión sea importante.
- Mantenga un punto de control de revisión humana para los resultados de alto riesgo.
- Realice un seguimiento de los patrones de error y vuelva a capacitar las indicaciones o los flujos de trabajo con regularidad.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the Context Engineering quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
What is Context Engineering?
La ingeniería de contexto es la práctica de decidir qué ve un modelo de lenguaje en cada paso (instrucciones, documentos recuperados, definiciones y resultados de herramientas, historial de conversaciones y memoria) y ajustarlo a una ventana de contexto limitada. Va más allá de una redacción rápida. Es importante porque la calidad del resultado depende en gran medida de lo que hay en la ventana y, en agentes y tareas largas, ese contexto se ensambla mediante código en cada llamada, no lo escribe una sola persona.
What best distinguishes context engineering from prompt engineering?
Context engineering treats the whole token sequence the model receives as something to design: instructions, retrieved passages, tool definitions and outputs, history and memory. Prompt wording is only one part of it.
What did the 'lost in the middle' research suggest about long inputs?
Liu et al. (2023) found that performance often drops when the relevant information sits in the middle of a long context. That is one reason relevance and placement matter more than sheer volume.
Why does the guide describe context as a budget?
Tokens in the window have real costs in price and response time. Irrelevant tokens also compete with relevant ones for the model's attention, so they should be spent deliberately.
What is just-in-time loading?
Instead of loading everything up front, the agent holds pointers and pulls in full content only when a step requires it. This keeps the window lean.
¿Por qué es útil poner contenido estable, como instrucciones del sistema y definiciones de herramientas, al principio en un orden fijo?
Los proveedores que admiten el almacenamiento en caché de mensajes pueden reutilizar un prefijo que permanece idéntico en bytes en todas las llamadas. Poner el contenido estable en primer lugar y la conversación cambiante al final lo hace posible.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.