¿Qué es la Ingeniería de Contexto?

Actualizado en julio de 2026

La ingeniería de contexto es la disciplina de ensamblar todo lo que un large language model ve en el momento de la inferencia: el system prompt, los documentos recuperados, los resultados de las herramientas, el historial de la conversación y la memoria de trabajo, de modo que tenga exactamente la información que necesita para completar bien una tarea. Es la práctica que reemplazó a la prompt engineering como la habilidad central para construir IA a lo largo de 2025 y 2026.

Para los líderes empresariales, la ingeniería de contexto marca la diferencia entre un sistema de IA que adivina y uno que sabe. Un agente de soporte que incorpora a su contexto de trabajo el historial de pedidos del cliente, la política de reembolsos y los tickets anteriores antes de responder acertará con más frecuencia que uno que funciona solo con un prompt ingenioso. El prompt es una entrada entre muchas; la ingeniería de contexto es la tarea de gestionarlas todas juntas, en cada llamada, no solo en la primera.

Por Qué la Ingeniería de Contexto Reemplazó a la Prompt Engineering

La prompt engineering trataba obtener un buen resultado de IA como un problema de redacción: encontrar la frase mágica, la persona correcta, la estructura de instrucción perfecta, y el modelo rendiría bien. Ese enfoque tenía sentido cuando un único prompt bien elaborado era la mayor parte de lo que un usuario controlaba. Dejó de tener sentido cuando los equipos empezaron a construir AI agents y sistemas de varios pasos donde el prompt es una parte pequeña y fija de un conjunto de información mucho más grande y en constante cambio, a partir del cual el modelo tiene que trabajar.

El término "context engineering" se popularizó a mediados de 2025 gracias a dos voces destacadas de la IA. Andrej Karpathy lo llamó "el delicado arte y ciencia de llenar la ventana de contexto con exactamente la información correcta para el siguiente paso," y argumentó que "context engineering" describe mucho mejor en qué invierten su tiempo realmente los equipos de IA en producción de lo que "prompt engineering" jamás describió. Casi al mismo tiempo, el CEO de Shopify, Tobi Lutke, lo describió públicamente como "el arte de proporcionar todo el contexto para que la tarea sea plausiblemente resoluble por el LLM."

El equipo de ingeniería de Anthropic planteó el cambio de esta manera en su propia guía para construir AI agents: la ingeniería de contexto es "el conjunto de estrategias para seleccionar y mantener el conjunto óptimo de tokens" durante la inferencia, abarcando juntos el system prompt, las herramientas, los ejemplos, el historial de mensajes y los datos recuperados, no el prompt de forma aislada. La idea de fondo que impulsa el cambio: los modelos de frontera ya son lo bastante potentes para la mayoría de las tareas empresariales. La brecha entre un sistema que funciona y uno que no suele reducirse a qué información se le dio al modelo, no a qué palabras se usaron para pedírsela.

Componentes Clave de la Ingeniería de Contexto

Todo sistema diseñado con ingeniería de contexto se construye a partir del mismo puñado de partes, ensambladas y reensambladas en cada llamada al modelo.

• System prompt: Las instrucciones permanentes que definen el rol, el tono y los límites de la IA. Esto es a lo que la mayoría de la gente se refiere con "prompt engineering," ahora solo una entrada entre varias.
• Memoria: Memoria de trabajo a corto plazo para la tarea actual, más memoria a largo plazo para hechos, preferencias y resultados que deben persistir entre sesiones. Consulte AI memory para ver en qué se diferencia esto de los datos de entrenamiento de un modelo.
• Retrieval-augmented generation (RAG): El mecanismo para incorporar al contexto documentos, registros o entradas de la base de conocimiento relevantes en el momento en que se necesitan, en lugar de confiar en que el modelo ya los conozca. Cubierto en profundidad en Retrieval-Augmented Generation.
• Herramientas: Las funciones, API y sistemas que el modelo puede invocar y, con la misma importancia, los resultados que esas llamadas devuelven, que después pasan a formar parte del contexto para el siguiente paso. Consulte tool use.
• Ejemplos: Un pequeño número de ejemplos bien elegidos y representativos (demostraciones few-shot) que muestran al modelo cómo se ve un buen resultado, seleccionados por relevancia y no por cobertura exhaustiva.
• Estado: El historial de conversación en curso, las acciones previas tomadas y los resultados intermedios que permiten que un agente de varios pasos se mantenga coherente desde el primer paso hasta el último, en lugar de tratar cada turno como un nuevo comienzo.

Fallar en cualquiera de estos aspectos (una lista de herramientas sobrecargada, una memoria desactualizada, un documento recuperado irrelevante) degrada la calidad del resultado tanto como solía hacerlo un prompt mal redactado.

Cómo Funciona la Ingeniería de Contexto en Sistemas Agénticos

En un sistema de agentic AI, el contexto no se ensambla una vez y se deja intacto. Se reconstruye o actualiza en cada paso del ciclo: el sistema reúne lo que sabe en ese momento (system prompt, memoria, datos recuperados), el modelo razona sobre ese contexto y decide una acción, tool use ejecuta esa acción contra un sistema real, y el resultado se reincorpora al contexto para la siguiente decisión. Los agentic workflows de varios pasos pueden ejecutar este ciclo decenas o cientos de veces antes de que una tarea termine, lo que significa que pequeños errores de contexto al principio pueden acumularse hacia el final.

El equipo de ingeniería de LangChain ha organizado el trabajo práctico de la ingeniería de contexto en cuatro estrategias recurrentes: write (darle al agente un lugar para guardar información fuera del contexto principal, como blocs de notas), select (incorporar solo lo relevante para el paso actual, no todos los documentos disponibles), compress (resumir o recortar el contexto una vez que crece demasiado) e isolate (dividir una tarea compleja entre varios agentes o subcontextos para que ningún contexto individual se sobrecargue). La mayor parte del trabajo de ingeniería de contexto en producción es alguna combinación de estos cuatro movimientos, repetidos continuamente mientras la tarea se ejecuta. AI orchestration es la capa que normalmente gestiona esto sobre un solo agente o entre varios.

Gestión de la Ventana de Contexto y Modos de Falla

Todo modelo tiene una context window finita, la cantidad máxima de tokens que puede procesar a la vez. Pero la ingeniería de contexto existe porque el desbordamiento de la ventana no es el principal problema en la práctica. Una investigación de Chroma probó 18 modelos de frontera, incluyendo GPT-4.1, Claude Opus 4, Gemini 2.5 y Qwen3, con entradas que iban de 25 a 10,000 palabras, y encontró que la precisión en tareas simples de recuperación y recuerdo se degradaba de forma constante a medida que crecía la longitud de la entrada, mucho antes de que ningún modelo alcanzara su límite declarado de tokens. Ese declive gradual tiene un nombre: context rot, la tendencia de la capacidad de un modelo para usar información con precisión a disminuir a medida que aumenta la cantidad de contexto que maneja, incluso en tareas que resolvería sin problemas con una entrada más corta.

El context rot no es una sola falla, es un conjunto de fallas relacionadas. El escritor Drew Breunig catalogó cuatro patrones específicos que explican la mayor parte de lo que enfrentan los profesionales:

• Context poisoning: Una alucinación o un error se escribe en el contexto (un dato incorrecto en una nota de memoria, una creencia falsa en un objetivo rastreado) y luego se referencia repetidamente, agravando el error en lugar de corregirlo.
• Context distraction: El modelo se apoya demasiado en el historial acumulado y empieza a repetir acciones pasadas en lugar de razonar de nuevo sobre qué hacer a continuación.
• Context confusion: La información irrelevante presente en el contexto se incorpora a la respuesta, reduciendo la calidad de la respuesta aunque la información correcta también estuviera presente.
• Context clash: La información añadida en distintos momentos de una sesión larga empieza a contradecirse, y el modelo no tiene una forma confiable de saber qué versión es la vigente.

Un ejemplo real y bien documentado de context poisoning: el propio proyecto Gemini Plays Pokemon de Google DeepMind, un experimento transmitido en vivo en el que Gemini 2.5 Pro jugaba Pokemon Blue de forma autónoma. En un momento dado, el agente alucinó que necesitaba encontrar un objeto llamado "TEA" (que no existe en esa versión del juego), escribió ese objetivo falso en su contexto persistente y luego pasó horas persiguiendo un objetivo imposible antes de que el equipo pudiera desatascarlo. La solución en los sistemas de producción no es una ventana de contexto más grande, es gestionar activamente qué permanece en el contexto y durante cuánto tiempo.

Ingeniería de Contexto vs Prompt Engineering

La prompt engineering no desapareció, fue absorbida. Escribir un system prompt claro sigue siendo una parte del trabajo; simplemente ya no es todo el trabajo.

Casos de Uso Reales de la Ingeniería de Contexto

Agentes de soporte al cliente: Antes de responder, el sistema recupera el estado de la cuenta del cliente, el historial de pedidos y el documento de política específico relevante para su pregunta, y luego mantiene ese contexto disponible durante el resto de la conversación en lugar de volver a buscarlo en cada turno.

Agentes de codificación: Herramientas como Claude Code y asistentes de codificación similares gestionan directamente el contexto del repositorio, decidiendo qué archivos, ediciones previas y resultados de pruebas permanecen en el contexto de trabajo del modelo a medida que una tarea avanza a lo largo de muchos pasos, ya que incluir todo el código base de una vez desbordaría cualquier ventana e invitaría al context rot.

Agentes de ventas y RevOps: Un agente que califica o da seguimiento a un lead extrae registros relevantes de CRM, interacciones pasadas y detalles de la cuenta mediante RAG en lugar de depender del conocimiento general del modelo sobre la empresa.

Agentes autónomos de larga duración: Los agentes de uso de navegador e investigación que operan a lo largo de muchos pasos o sesiones dependen de una gestión de memoria deliberada, guardando lo que importa en almacenamiento persistente y descartando lo que no, de modo que el contexto de trabajo se mantenga enfocado en lugar de acumular todo lo que el agente ha visto alguna vez.

Datos Clave

• Anthropic define la ingeniería de contexto como "el conjunto de estrategias para seleccionar y mantener el conjunto óptimo de tokens" disponibles para un modelo durante la inferencia, abarcando el system prompt, las herramientas, los ejemplos y el historial de mensajes, no solo el prompt. Anthropic Engineering
• Se atribuye ampliamente a la publicación de Andrej Karpathy de junio de 2025, que describía la ingeniería de contexto como "el delicado arte y ciencia de llenar la ventana de contexto con exactamente la información correcta para el siguiente paso," la popularización del término. X / Karpathy
• La investigación Context Rot de Chroma probó 18 modelos de frontera, incluyendo GPT-4.1, Claude Opus 4, Gemini 2.5 y Qwen3, con longitudes de entrada de 25 a 10,000 palabras, y encontró que la precisión se degradaba de forma constante a medida que las entradas se alargaban, mucho antes de alcanzar el límite de contexto declarado de cualquier modelo. Chroma Research
• La encuesta State of AI Agents 2026 de LangChain encontró que el 57% de los equipos encuestados ya tienen agentes en producción, y el 32% citó la calidad del resultado, incluyendo la gestión del contexto a gran escala, como la principal barrera para un rendimiento confiable en producción. LangChain
• El equipo de ingeniería de LangChain plantea el trabajo práctico de ingeniería de contexto en torno a cuatro estrategias recurrentes: write, select, compress e isolate. LangChain Blog
• El proyecto Gemini Plays Pokemon de Google DeepMind produjo un caso documentado de context poisoning: un objetivo alucinado dentro del juego entró en el contexto persistente del agente y descarriló su partida durante horas antes de que el equipo pudiera corregirlo. TechCrunch
• El escritor Drew Breunig catalogó cuatro modos de falla de contexto distintos (poisoning, distraction, confusion y clash) que juntos explican la mayor parte de lo que los profesionales llaman context rot. dbreunig.com

Conceptos de IA Relacionados

• ¿Qué es la IA Agéntica? - Los sistemas autónomos que dependen de un contexto bien diseñado para funcionar de forma confiable
• Context Window - El límite de tokens dentro del cual debe operar la ingeniería de contexto
• Prompt Engineering - La disciplina más estrecha que la ingeniería de contexto absorbió y amplió
• Large Language Models - Los sistemas que consumen el contexto ensamblado para ellos
• Retrieval-Augmented Generation - La técnica principal para incorporar conocimiento externo al contexto
• AI Memory - La memoria a corto y largo plazo como componente de la ingeniería de contexto
• Tool Use - Cómo los resultados de las herramientas pasan a formar parte del contexto continuo de un agente
• Model Context Protocol - El estándar abierto para alimentar de forma consistente el contexto de un modelo con herramientas y datos externos
• Agentic Workflows - Procesos de varios pasos donde el contexto debe mantenerse coherente a lo largo de muchos pasos
• AI Orchestration - La capa de coordinación que gestiona el contexto entre múltiples agentes o pasos

Recursos Externos

• Anthropic: Effective Context Engineering for AI Agents - La propia guía de Anthropic sobre cómo seleccionar el contexto para la confiabilidad de los agentes
• LangChain: Context Engineering for Agents - El framework write, select, compress, isolate
• LangChain: State of AI Agents 2026 - Datos de encuesta sobre la adopción de agentes en producción y las barreras de calidad
• Chroma Research: Context Rot - Datos de referencia sobre la degradación del rendimiento en 18 modelos de frontera
• Drew Breunig: How Long Contexts Fail - Los cuatro modos de falla de contexto identificados
• TechCrunch: Google's Gemini Panicked While Playing Pokemon - Un caso real y documentado de context poisoning

Parte de la Colección de Términos de IA. Última actualización: 2026-07-16