≡En resumen
- La ingeniería de contexto decide todo lo que ve el modelo, no solo cómo se redacta el prompt.
- El contexto es un recurso limitado: cada token de más resta atención a lo importante.
- Las técnicas clave son cargar datos bajo demanda, compactar, tomar notas fuera del contexto y usar subagentes.
- En Claude Code se aplica con un CLAUDE.md conciso, skills, subagentes y el comando /context.
- Empieza por lo más simple que funcione y añade complejidad solo cuando las pruebas lo pidan.
01 ¿Qué es la ingeniería de contexto?
Durante los primeros años de los chatbots, el trabajo consistía sobre todo en escribir buenas instrucciones. Con los agentes de IA, que encadenan decenas de pasos, leen archivos, llaman a herramientas y acumulan resultados, el problema cambia: ya no basta con un buen prompt, hay que gestionar todo lo que entra en la ventana de contexto en cada turno.
Anthropic lo definió en su artículo de ingeniería del 29 de septiembre de 2025 como el conjunto de estrategias para seleccionar y mantener la información óptima durante la inferencia: prompt de sistema, herramientas, datos externos e historial de mensajes. Es un trabajo iterativo que se repite cada vez que el sistema decide qué pasar al modelo.
02 Ingeniería de contexto vs. ingeniería de prompts
No son enfoques opuestos: la ingeniería de prompts es una parte de la ingeniería de contexto. La diferencia está en el alcance y en el momento en que se aplican.
| Aspecto | Ingeniería de prompts | Ingeniería de contexto |
|---|---|---|
| Qué optimiza | La redacción de las instrucciones | Todo el conjunto de tokens que ve el modelo |
| Cuándo se hace | Sobre todo al diseñar el prompt | En cada turno, de forma continua |
| Unidad típica | Una petición o una conversación | Un agente que trabaja durante muchos pasos |
| Elementos | Instrucciones, formato, ejemplos | Instrucciones, herramientas, ejemplos, historial, memoria y datos externos |
| Riesgo principal | Instrucciones ambiguas | Contexto saturado, contradictorio o irrelevante |
03 Por qué importa: el contexto es un recurso limitado
Aunque los modelos actuales de Claude admiten un millón de tokens, Anthropic insiste en tratar el contexto como un recurso escaso. Al crecer la ventana, la capacidad del modelo para recordar con precisión lo que contiene disminuye; es el llamado context rot. Los modelos tienen un «presupuesto de atención»: cada token nuevo lo consume un poco, porque la arquitectura transformer relaciona cada token con todos los demás.
04 Los componentes del contexto que puedes diseñar
Prompt de sistema
Ni reglas rígidas tipo if-else ni vaguedades: instrucciones claras, por secciones, empezando por una versión mínima y ampliando solo donde las pruebas fallan.
Herramientas
Pocas, bien descritas y sin solaparse. Si una persona no sabría qué herramienta usar en un caso, el modelo tampoco.
Ejemplos
Un puñado de ejemplos variados y representativos funciona mejor que una lista interminable de casos límite.
Historial
Lo que ya pasó en la conversación. Hay que decidir qué conservar literal, qué resumir y qué descartar.
Datos externos
Documentos, bases de datos o búsquedas web que el agente consulta. Mejor por referencia y bajo demanda que precargados.
Memoria persistente
Notas que el agente escribe fuera de la ventana y relee al retomar el trabajo, como un archivo de progreso o de tareas pendientes.
05 Técnicas de ingeniería de contexto para agentes de larga duración
Para tareas que duran horas o superan la ventana, el artículo de Anthropic describe varias técnicas que se combinan entre sí.
| Técnica | En qué consiste | Cuándo usarla |
|---|---|---|
| Recuperación bajo demanda (just-in-time) | El agente guarda referencias ligeras (rutas, consultas, enlaces) y carga el contenido con herramientas cuando lo necesita | Bases de código y documentación grandes |
| Compactación | Resumir el historial cuando la ventana se llena y seguir con el resumen | Conversaciones largas con mucho ida y vuelta |
| Notas estructuradas | El agente escribe su progreso en un archivo externo y lo relee más tarde | Trabajo iterativo con hitos claros |
| Subagentes | Agentes especializados trabajan en ventanas limpias y devuelven un resumen condensado | Investigación y análisis que se pueden paralelizar |
| Limpieza de resultados de herramientas | Eliminar salidas antiguas que ya no aportan | Agentes que ejecutan muchos comandos |
La compactación tiene su propia ficha: qué es la compactación de contexto y cómo controlarla. Y si parte de tu contexto se repite en cada petición, la caché de prompts reduce el coste de enviarlo una y otra vez.
06 Cómo aplicar la ingeniería de contexto en Claude Code
Claude Code es en sí mismo un ejemplo de ingeniería de contexto: no precarga todo el repositorio, sino que busca y lee archivos cuando los necesita. Tú puedes ayudarle con estas prácticas, todas descritas en su documentación oficial.
-
1
Mantén CLAUDE.md breve
Se carga en cada sesión. Incluye convenciones, comandos y reglas que de verdad se usan; el resto, en documentos que Claude lea cuando haga falta.
-
2
Convierte procedimientos en skills
Al iniciar la sesión Claude solo ve la descripción de cada skill; el contenido completo se carga cuando se usa.
-
3
Delega la exploración
Los subagentes investigan en su propia ventana y devuelven un resumen, así tu sesión principal no se llena de lecturas.
-
4
Revisa el consumo
Con /context ves qué parte de la ventana ocupan instrucciones, herramientas, memoria y conversación.
-
5
Indica qué conservar al compactar
Añade una sección de instrucciones de compactación en CLAUDE.md o usa /compact con un foco concreto.
-
6
Empieza limpio cada tarea
Usa /clear al cambiar de tema: el contexto de la tarea anterior solo añade ruido.
07 Ingeniería de contexto en proyectos reales de empresa
En un proyecto de IA para una empresa, la mayor parte de los fallos que parecen «el modelo se ha equivocado» son en realidad fallos de contexto: le faltaba un dato, tenía uno obsoleto o había tanto texto que lo relevante se perdió. Por eso, cuando trabajamos como agencia de IA, revisamos primero qué ve el modelo antes de cambiar de modelo o reescribir instrucciones.
Un chatbot de atención al cliente para un software de gestión recibe preguntas sobre cientos de funciones. Mal diseñado, carga el manual completo en cada mensaje: lento, caro y con respuestas confusas. Bien diseñado, tiene un prompt de sistema corto con el tono y las políticas, una herramienta de búsqueda en la documentación, un resumen del historial cuando la conversación se alarga y una nota con los datos del cliente identificados. El modelo es el mismo; el contexto, no.
- ✓Escribe el prompt de sistema por secciones y empieza por la versión mínima.
- ✓Revisa que las herramientas no se solapen y que sus descripciones sean claras.
- ✓Usa pocos ejemplos, variados y representativos.
- ✓Carga los documentos grandes por referencia y bajo demanda.
- ✓Define cuándo se resume el historial y qué debe sobrevivir al resumen.
- ✓Guarda el estado importante fuera de la conversación.
Muchas utilidades de código abierto ayudan a medir y reducir el contexto que consume un agente; las recopilamos en nuestro directorio de recursos de IA para Claude.
Preguntas frecuentes sobre Ingeniería de contexto (context engineering)
Es la práctica de decidir qué información ve un modelo de IA en cada paso (instrucciones, herramientas, ejemplos, historial y datos externos) para que haga bien la tarea con el mínimo de información relevante.
El prompt engineering se centra en redactar buenas instrucciones. La ingeniería de contexto abarca todo lo que entra en la ventana del modelo y se aplica de forma continua en cada turno, sobre todo en agentes.
Porque la precisión del modelo se degrada cuando hay mucho texto. Un contexto pequeño y relevante suele dar mejores resultados que uno grande lleno de información que no aporta.
Recuperar información bajo demanda con herramientas, compactar el historial, hacer que el agente tome notas persistentes fuera del contexto y repartir el trabajo entre subagentes con ventanas limpias.
Con un CLAUDE.md breve, skills que se cargan bajo demanda, subagentes para explorar, /context para medir el consumo, /compact con un foco y /clear entre tareas distintas.
Sí. Cualquier asistente o automatización con IA, desde un chatbot de atención al cliente hasta un agente que redacta informes, mejora cuando se controla qué información recibe y en qué momento.
Fuentes consultadas
Sobre el autor
Germán Gutiérrez
Development Manager en appyweb
Dirige el equipo de desarrollo de appyweb: aplicaciones web y móviles, SaaS, integraciones y arquitectura de software.
Ver perfil en LinkedIn ↗