14 de octubre de 2025 # Context engineering visualizado (+ la guía de Anthropic sobre gestión de contexto) >[!tip] **Deja de buscar el prompt perfecto. Empieza a construir el contexto correcto.** > >**No se trata de saber preguntar. Se trata de saber informar.** ![[Posts/2025.10/attachments/Context-engineering.webp]] La diferencia entre *prompt engineering* y *context engineering* de la que [hablábamos el otro día en la newsletter](46-Context-engineering.md), visualizada con una imagen. Viene de la *guía de ingeniería de contexto efectiva para agentes IA*, publicada por Anthropic, que os dejo en [un eco aquí mismo](Effective-context-engineering-for-AI-agents.md). Os dejo además en este mismo post el resumen de la guía en forma de lista estructurada. > [!example] Resumen de ideas principales de la guía > > ### 1. Qué es el _context engineering_ > > - **Contexto** = la información que un modelo de IA tiene en cuenta en cada momento para responder. > - **Problema**: la memoria de la IA es limitada, como la atención humana. Si se mete demasiada información, la precisión baja. > - **Objetivo**: seleccionar solo la información más útil y relevante para que la IA funcione mejor. > > --- > > ### 2. Diferencia con _prompt engineering_ > > - _Prompt engineering_: se centra en **cómo escribir instrucciones** claras para la IA. > - _Context engineering_: va más allá, se ocupa de **qué información completa** (instrucciones, datos, historial, ejemplos, etc.) debe entrar en la memoria de la IA en cada momento. > > --- > > ### 3. Por qué es importante > > - Los modelos de IA **pierden precisión** cuando se les da demasiada información (_context rot_). > - Igual que las personas, tienen un “presupuesto de atención” limitado. > - Por eso, **menos es más**: hay que elegir bien qué datos incluir. > > --- > > ### 4. Buenas prácticas > > - **Instrucciones claras y equilibradas**: ni demasiado rígidas ni demasiado vagas. > - **Herramientas bien diseñadas**: que aporten datos útiles sin sobrecargar. > - **Ejemplos representativos**: pocos, pero bien escogidos, en lugar de listas interminables. > - **Historial de mensajes**: mantener solo lo relevante, no todo lo pasado. > > --- > > ### 5. Estrategias para manejar información > > - **Recuperación “justo a tiempo”**: en lugar de cargar todos los datos desde el inicio, la IA busca lo que necesita en el momento. > - **Híbrido**: una parte de la información se da al inicio, y otra se recupera dinámicamente según haga falta. > > --- > > ### 6. Retos en tareas largas > > Cuando la tarea dura horas o implica muchos pasos: > > - **Compaction (compresión)**: resumir lo ya hecho y continuar con un resumen en lugar de todo el historial. > - **Notas estructuradas**: la IA guarda apuntes fuera de su memoria inmediata y los consulta después. > - **Sub-agentes especializados**: dividir el trabajo en varios “mini-agentes” que hacen partes concretas y luego comparten resúmenes. > > --- > > ### 7. Conclusión > > - El reto no es solo escribir buenos prompts, sino **gestionar bien la memoria limitada de la IA**. > - La clave: **usar la menor cantidad posible de información, pero de la mayor calidad**, para guiar a la IA hacia el resultado deseado. > - A medida que los modelos mejoran, necesitarán menos instrucciones rígidas, pero siempre habrá que tratar el contexto como un recurso valioso y limitado. > --- Publicado el 14 de octubre de 2025, [LinkedIn](https://www.linkedin.com/posts/davidhurtadotoran_mentesinquietas-activity-7383734447495364609-7B4X?utm_source=share&utm_medium=member_desktop&rcm=ACoAAAAT5UsBH3ISG9LTxrgEnB7glCf9CerKWno), [Substack](https://substack.com/profile/293864668-david-hurtado/note/c-166144650?r=4uyjfg&utm_source=notes-share-action&utm_medium=web), [X](https://x.com/dhtoran/status/1977969559098245122)