IA y agentes · Ingeniería agéntica · 8 min

Contexto para agentes: mantener el foco con compactación deliberada

Una ventana de contexto grande no garantiza que un agente utilice toda la información con la misma eficacia. La selección y el resumen deben conservar evidencia y estado útil.

Context engineeringVentana de contextoCompactaciónAgentes
Contexto: señal útil y ruido acumuladoUna sesión agrega evidencia relevante y también contenido repetido u obsoleto; los límites de foco dependen del modelo y la tarea. “Smart/Dumb Zone” es una heurística atribuida a una experiencia reportada; no representa un umbral universal.01Objetivo02Evidencia útil03Ruido y duplicados04Señales de pérdida d…05Compactación
Contexto: señal útil y ruido acumulado“Smart/Dumb Zone” es una heurística atribuida a una experiencia reportada; no representa un umbral universal.
Compactación con trazabilidadEl estado de trabajo se resume, se verifica contra fuentes y se reanuda con los datos necesarios. Conservar evidencia, decisiones y próximo paso; no copiar la conversación completa ni arrastrar secretos.01Recopilar estado02Separar hechos e hip…03Compactar04Verificar fuentes05Reanudar
Compactación con trazabilidadConservar evidencia, decisiones y próximo paso; no copiar la conversación completa ni arrastrar secretos.

Más contexto no significa automáticamente mejor contexto

Alargar una sesión puede conservar decisiones útiles, pero también acumula trazas, resultados repetidos, contenido obsoleto y cambios de objetivo. El modelo recibe todos esos elementos como parte de una entrada finita; elegir qué permanece es una decisión de ingeniería, no solo de presupuesto.

El estudio “Lost in the Middle” encontró que algunos modelos evaluados resolvían peor tareas de recuperación cuando la información relevante estaba en medio de un contexto largo. Es evidencia para tareas y modelos concretos, no prueba de que todos los modelos fallen igual ni de que exista un único punto de corte para cada ventana.

“Smart Zone” como heurística, no como umbral universal

En una entrevista resumida en 2026, Dex Horthy describe “smart zone” y “dumb zone” como una forma práctica de hablar sobre el deterioro que observó al prolongar ciertos flujos. El reporte menciona alrededor de 100 mil tokens como referencia de su experiencia; esa cifra depende del modelo, la tarea, el orden de la información, el sistema de recuperación y las herramientas. No es un límite general ni un resultado establecido por el estudio “Lost in the Middle”.

La señal operativa importa más que un número fijo: el agente repite intentos, contradice decisiones verificadas, pierde restricciones o no distingue evidencia de hipótesis. Esos síntomas justifican reducir y reordenar el estado, aun cuando el contador de tokens esté por debajo del máximo anunciado por el proveedor.

Compactar conservando evidencia y estado

Un resumen útil no es una versión más corta de toda la conversación. Es un estado de trabajo conciso que permite continuar con trazabilidad:

  • Objetivo vigente y criterio de aceptación.
  • Hechos verificados con su fuente o archivo de origen.
  • Decisiones tomadas, supuestos aún abiertos y límites de seguridad.
  • Pruebas ejecutadas, resultados relevantes y fallos pendientes.
  • Siguiente paso concreto y condiciones para detenerse o pedir revisión.

Diseñar un ciclo de compactación comprobable

Compacta al cerrar un hito o cuando detectes pérdida de foco. Separa contenido recuperado de instrucciones; descarta duplicados y datos caducos; valida el resumen contra fuentes primarias antes de iniciar un contexto nuevo. Para tareas largas, guarda artefactos breves y versionados en el espacio de trabajo aprobado por el equipo, cuidando de no persistir secretos o datos innecesarios.

Evalúa la estrategia con casos representativos: ¿la sesión nueva conserva decisiones, restricciones y tareas pendientes? El objetivo no es llegar a un tamaño “óptimo” universal, sino reducir ruido sin borrar información decisiva.

Fuentes y rigor

Referencias

Conclusión

La ventana de contexto es un recurso que se administra: selección, procedencia, compactación y pruebas de continuidad son más útiles que asumir que más tokens siempre resuelven el problema.

Sigue explorando

Artículos relacionados