Ingeniería de Contexto

El desarrollo de software está en constante evolución, y la Inteligencia Artificial (IA) se ha posicionado como un catalizador clave en esta transformación. Conceptos como el "vibe coding" —la capacidad de prototipar aplicaciones al instante utilizando lenguaje natural, donde la IA genera dinámicamente el código— marcaron el inicio de una nueva era. Sin embargo, estamos presenciando el surgimiento de una disciplina mucho más profunda y potente: la Ingeniería de Contexto.

Andrej Karpathy, quien acuñó el término "vibe coding", también introdujo la Ingeniería de Contexto. Toby Lütke, CEO de Shopify, ha expresado su preferencia por este término sobre la "ingeniería de prompt", ya que considera que describe mejor la habilidad fundamental: el arte de proporcionar todo el contexto necesario para que una tarea pueda ser resuelta de manera plausible por un modelo de lenguaje grande (LLM). Ya no se trata de diseñar prompts ingeniosos, sino de curar cuidadosamente la información precisa y correcta para que el modelo rinda al máximo. Es una compleja mezcla de ciencia, intuición y diseño de sistemas que impulsa las aplicaciones de IA del mundo real más allá de lo que comúnmente se conoce como "ChatGPT wrappers".

El Desafío Actual: La Falta de Contexto y las "Alucinaciones"

A pesar de los avances, un estudio de Codo reveló una preocupación significativa: el 76.4% de los desarrolladores no confía en el código generado por IA sin una revisión humana. La razón principal son las "alucinaciones y errores" que ocurren con demasiada frecuencia. El problema no radica en que la codificación con IA sea inherentemente mala, sino en la falta de contexto suficiente que a menudo experimentan las herramientas de codificación de IA, lo que lleva a que omitan detalles críticos. Esto subraya la necesidad no solo de una IA mejor, sino de una estructura y métodos superiores para alimentar la información correcta a la IA para que tenga éxito en su generación.

¿Qué es la Ingeniería de Contexto?

La Ingeniería de Contexto es la habilidad de seleccionar, organizar y gestionar meticulosamente la información adecuada que una IA o agente de IA necesita en cada paso para realizar una tarea de manera eficiente y efectiva, sin abrumarla ni pasar por alto detalles cruciales.

En esencia, el contexto lo es todo. Incluye elementos como:

• Estado
• Historial
• Prompt del usuario
• Herramientas disponibles
• Instrucciones RAG (Retrieval Augmented Generation)
• Memoria a largo plazo

La clave reside en lograr el equilibrio adecuado, proporcionando a la IA información útil y estructurada en el momento preciso, paso a paso.

Estrategias Fundamentales de Ingeniería de Contexto con Ejemplos

Para abordar los desafíos del manejo de contexto, especialmente en tareas de larga duración con agentes de IA, se han identificado cuatro categorías principales de estrategias:

1. Escribir Contexto (Write Context): Implica guardar información fuera de la ventana de contexto para que un agente pueda usarla en el futuro.
    
   • Scratchpads (Cuadernos de notas): Permiten a los agentes guardar información útil para una tarea dentro de una sesión, como un plan o notas.
     • Ejemplo: El LeadResearcher multi-agente de Anthropic guarda su plan en "Memory" para persistir el contexto y evitar su truncamiento si la ventana excede los 200,000 tokens. Esto puede implementarse escribiendo en un archivo mediante una llamada a una herramienta o como un campo en un objeto de estado en tiempo de ejecución.
   • Memorias: Ayudan a los agentes a recordar información a lo largo de múltiples sesiones.
     • Ejemplo: Reflexion introdujo la idea de reflexión auto-generada para reusar memorias después de cada turno del agente. Generative Agents creó memorias sintetizadas periódicamente. Productos populares como ChatGPT, Cursor y Windsurf tienen mecanismos para auto-generar memorias a largo plazo que persisten a través de sesiones basándose en interacciones usuario-agente.
2. Seleccionar Contexto (Select Context): Consiste en introducir información relevante en la ventana de contexto para ayudar al agente a realizar una tarea.
    
   • Scratchpad y Memorias: Se pueden leer datos del scratchpad mediante llamadas a herramientas o exponiendo partes del estado del agente. La selección de memorias puede ser para ejemplos de pocas tomas (episódicas), instrucciones (procedimentales) o hechos (semánticas).
     • Ejemplo: Muchos agentes de código usan archivos específicos para guardar instrucciones o ejemplos, como CLAUDE.md para Claude Code o archivos de reglas para Cursor y Windsurf. ChatGPT es un ejemplo de producto popular que almacena y selecciona de una gran colección de memorias específicas del usuario.
     • Desafío en la selección: La selección puede ser difícil; por ejemplo, Simon Willison compartió cómo ChatGPT recuperó su ubicación de las memorias y la inyectó inesperadamente en una imagen solicitada, lo que puede hacer que los usuarios sientan que el contexto "ya no les pertenece".
   • Herramientas: Para evitar la sobrecarga de herramientas, se puede aplicar RAG (Retrieval Augmented Generation) a sus descripciones, extrayendo solo las más relevantes para una tarea, lo que puede mejorar la precisión de la selección de herramientas hasta 3 veces.
   • Conocimiento: La RAG es crucial para la recuperación de conocimiento.
     • Ejemplo: Los agentes de código utilizan técnicas avanzadas como el análisis de Árbol de Sintaxis Abstracto (AST) y gráficos de conocimiento para indexar y recuperar código de manera efectiva. Varun de Windsurf señala que la búsqueda de incrustaciones puede ser poco confiable en grandes bases de código, por lo que confían en una combinación de técnicas como grep/búsqueda de archivos, recuperación basada en gráficos de conocimiento y un paso de re-clasificación.
3. Comprimir Contexto (Compress Context): Se enfoca en retener solo los tokens esenciales para una tarea.
    
   • Resumen de Contexto (Context Summarization): Utilizado para manejar interacciones extensas de agentes o llamadas a herramientas con muchos tokens.
     • Ejemplo: Claude Code realiza un "auto-compact" cuando se excede el 95% de la ventana de contexto, resumiendo la trayectoria completa de interacciones usuario-agente. Se puede aplicar resumen recursivo o jerárquico. También es útil para post-procesar llamadas a herramientas que consumen muchos tokens, como herramientas de búsqueda. Cognition mencionó el resumen en los límites entre agentes para reducir tokens durante la transferencia de conocimiento, incluso utilizando un modelo ajustado para esto.
   • Recorte de Contexto (Context Trimming): Filtra o "poda" el contexto, a menudo usando heurísticas simples.
     • Ejemplo: Eliminar mensajes antiguos de una lista. Drew Breunig menciona Provence, un podador de contexto entrenado para sistemas de Preguntas y Respuestas.
4. Aislar Contexto (Isolate Context): Implica dividir el contexto para que el agente pueda realizar una tarea de manera más enfocada.
    
   • Multi-agente: Dividir el contexto entre sub-agentes, cada uno con herramientas e instrucciones específicas, mejorando el rendimiento al asignar contextos más estrechos a subtareas.
     • Ejemplo: La biblioteca OpenAI Swarm está motivada por la separación de preocupaciones. El investigador multi-agente de Anthropic demostró que muchos agentes con contextos aislados superaron a un solo agente, ya que las ventanas de contexto de cada sub-agente podían asignarse a una subtarea más específica.
   • Aislamiento de Contexto con Entornos: Utilizar sandboxes o entornos para ejecutar llamadas a herramientas y aislar objetos pesados en tokens del LLM, exponiendo solo el contexto seleccionado cuando sea necesario.
     • Ejemplo: El investigador profundo de HuggingFace utiliza un CodeAgent que genera llamadas a herramientas que se ejecutan en un sandbox. Solo el contexto seleccionado (como valores de retorno) se pasa de nuevo al LLM. Esto permite aislar objetos con muchos tokens como imágenes o audio, almacenándolos como variables en el estado.
   • Estado (State): El objeto de estado en tiempo de ejecución del agente puede aislar contexto en campos específicos, exponiendo solo la información relevante al LLM en cada turno.

Beneficios de la Ingeniería de Contexto

La Ingeniería de Contexto es "10 veces mejor que la ingeniería de prompts y fácilmente 100 veces mejor que el vibe coding". Sus principales ventajas incluyen:

• Reducción drástica de "alucinaciones" y errores: Al proporcionar un contexto completo y estructurado, la IA realiza una investigación real y construye un plan fiable antes de generar código, lo que "reduce inmensamente las alucinaciones".
• Mayor precisión y flexibilidad en la generación.
• Eficiencia en el uso de tokens: Al evitar múltiples intentos o prompts ineficaces, se consume menos tokens, lo que "ahorra mucho en la salida de tokens".
• Consistencia garantizada: La IA sigue los patrones y convenciones del proyecto.
• Capacidad para características complejas: Permite a la IA manejar implementaciones de varios pasos.
• Autocorrección: Los bucles de validación permiten a la IA corregir sus propios errores.
• Generación de código confiable y de alta calidad: La IA planifica a fondo y puede crear "salidas de alta calidad".

Aplicación Práctica: Un Ejemplo Detallado con Claude Code

La Ingeniería de Contexto se manifiesta en plantillas y flujos de trabajo específicos. Un excelente ejemplo es la plantilla desarrollada por Cole Medan (disponible en GitHub: coleam00/context-engineering-intro), optimizada para Claude Code. Este proceso se puede resumir en los siguientes pasos:

1. Configurar Reglas Globales (CLAUDE.md): Este archivo actúa como una guía para el asistente de IA, definiendo reglas a nivel de proyecto que la IA debe seguir en cada interacción.
    
   • Ejemplos de reglas: estructura del código, estándares de prueba, requisitos de confiabilidad, convenciones de conversación, tamaño de archivos, organización de módulos, formatos de docstrings y prácticas de comentarios.
2. Crear la Solicitud de Características Inicial (INITIAL.md): Aquí se describe claramente lo que se desea construir.
    
   • Ejemplos de contenido:
     • ## FEATURE: Una descripción específica y completa de la funcionalidad y requisitos (e.g., "Construir un web scraper asíncrono usando BeautifulSoup que extraiga datos de productos de sitios de comercio electrónico, maneje límites de tasa y almacene los resultados en PostgreSQL" en lugar de solo "Construir un web scraper").
     • ## EXAMPLES: Se listan ejemplos de código relevantes (ubicados en la carpeta examples/) que la IA debe referenciar, explicando cómo deben usarse o qué patrones deben imitarse (e.g., patrones de estructura de código, pruebas, integración, CLI).
     • ## DOCUMENTATION: Se incluyen enlaces a documentación y APIs pertinentes (e.g., URLs de documentación de API, guías de bibliotecas, esquemas de bases de datos).
     • ## OTHER CONSIDERATIONS: Se especifican consideraciones adicionales como casos extremos, requisitos específicos, autenticación, límites de tasa o problemas comunes que la IA suele pasar por alto.
3. Generar el PRP (Product Requirement Prompt): Este es un paso crucial.
    
   • Utilizando un comando como /generate-prp INITIAL.md en Claude Code, la IA lee el archivo INITIAL.md y, basándose en él, crea un plan de implementación exhaustivo y detallado, similar a un Documento de Requisitos de Producto (PRD).
   • Ejemplo de PRP generado: Este PRP incluye una lista detallada de tareas, como investigar APIs, revisar el código base existente y leer la documentación, todo esto antes de escribir una sola línea de código. El PRP generado contiene referencias a la documentación, archivos de ejemplo, el árbol de código base actual y el deseado.
4. Ejecutar el PRP: Una vez que el PRP está generado, se utiliza un comando como /execute-prp PRPs/your-feature-name.md para que la IA comience a codificar la aplicación basándose en este plan detallado.
    
   • La IA sigue el plan paso a paso, ejecutando cada componente y realizando validaciones, tests y corrección de errores para asegurar que se cumplan todos los criterios de éxito.
   • Ejemplo de resultado: Este proceso ha demostrado ser capaz de construir sistemas complejos, como un agente multi-agente de investigación y correo electrónico. En el ejemplo proporcionado, la creación de este agente, que puede buscar con Brave Search y gestionar correos con Gmail, tuvo un costo aproximado de $3.32.

Conclusión: Un Futuro de Colaboración Confiable

La Ingeniería de Contexto representa una evolución fundamental en el desarrollo asistido por IA. Al pasar de prompts simplistas a una provisión de contexto estructurada y exhaustiva, se aborda la principal debilidad de la IA en la generación de código: la falta de comprensión profunda. Este enfoque no solo mejora la calidad y fiabilidad del código, sino que también establece un marco para una colaboración más efectiva y confiable con los sistemas de IA, permitiendo a los desarrolladores "elevar su experiencia de codificación".

La Ingeniería de Contexto está en camino de convertirse en una habilidad central en el desarrollo asistido por IA. Aquellos que la dominen, serán capaces de desbloquear todo el potencial de la IA, transformando el proceso de creación de software en uno más ágil, preciso y confiable. Es el "arte y la ciencia de llenar la ventana de contexto con la información justa en cada paso de la trayectoria de un agente".