Glosario de IA Data & Retrieval
¿Qué es la ingeniería de contexto en IA?
Ingeniería de contexto (Context Engineering)
← Todos los términos del glosarioPráctica de decidir qué información ve un modelo en cada paso (instrucciones, documentos recuperados, resultados de herramientas, memoria) y encajarla en su ventana de contexto.
Explicación
La ingeniería de contexto es la disciplina de diseñar todo lo que entra en la ventana de contexto de un modelo, no solo el prompt. Incluye qué documentos se recuperan, qué salidas de herramientas se conservan, cómo se resume la conversación anterior, qué memoria a largo plazo se recupera y en qué orden va todo dentro de un presupuesto limitado de tokens. La idea es sencilla: el modelo solo razona sobre lo que le das, así que la calidad de la respuesta depende tanto del contexto como del modelo. Es la base práctica de los sistemas RAG y de los agentes fiables, sobre todo en tareas largas, donde el contexto crece deprisa.
Ingeniería de contexto frente a ingeniería de prompts
La ingeniería de prompts se centra en cómo redactar la instrucción. La ingeniería de contexto se hace una pregunta más amplia: de toda la información disponible, ¿qué debe ver el modelo ahora, en qué forma y en qué orden?
En una pregunta y respuesta sueltas, las dos se solapan. En un agente que trabaja durante decenas de pasos, llamando a herramientas y leyendo documentos, el prompt es una parte pequeña del contexto. El resto son contenidos recuperados, resultados de herramientas e historial, y ahí se ganan o se pierden la mayoría de los problemas de calidad.
Técnicas principales
- Recuperación: traer solo los fragmentos relevantes para el paso actual, no documentos enteros.
- Compactación: resumir la conversación o las salidas antiguas para que quede lo esencial y se vaya el ruido.
- Memoria estructurada: guardar notas, decisiones o el estado de la tarea fuera de la ventana y recuperarlos cuando hagan falta.
- Diseño de herramientas: devolver resultados concisos y bien estructurados para que no inunden el contexto.
- Aislamiento: dar a cada subagente un contexto limpio para su subtarea y devolver solo el resultado.
- Orden y presupuesto: colocar lo más importante donde el modelo mejor lo usa y dejar sitio para la respuesta.
Por qué importa en producción
Una ventana de contexto más grande no resuelve el problema por sí sola. Los modelos tienden a usar la información con menos fiabilidad a medida que el contexto crece, el contenido irrelevante los despista y cada token suma coste y latencia.
En la práctica, muchos fallos que se atribuyen al modelo son fallos de contexto: no se recuperó el documento correcto, una instrucción antigua siguió en el historial o una herramienta devolvió demasiado. Tratar el contexto como algo que se diseña, se prueba y se monitoriza hace más predecibles a los agentes y a los sistemas RAG.
Preguntas frecuentes
¿Qué diferencia hay entre ingeniería de contexto e ingeniería de prompts?
La ingeniería de prompts trata de escribir bien la instrucción. La ingeniería de contexto abarca todo lo que recibe el modelo: instrucciones, documentos recuperados, resultados de herramientas, historial y memoria, y cómo se seleccionan y se encajan en la ventana.
¿Por qué es importante la ingeniería de contexto para los agentes de IA?
Los agentes dan muchos pasos y acumulan salidas de herramientas e historial. Si nadie lo gestiona, el contexto se llena de material viejo o irrelevante, la calidad baja y el coste sube. La ingeniería de contexto mantiene cada paso centrado en lo que importa.
¿Una ventana de contexto más grande hace innecesaria la ingeniería de contexto?
No. Una ventana mayor permite meter más, pero los modelos no usan igual de bien todas las partes de un contexto largo, y más tokens son más coste y más latencia. Elegir qué incluir sigue importando.
¿El RAG es una forma de ingeniería de contexto?
Sí. La generación aumentada por recuperación es una de sus técnicas principales: decide qué contenido externo entra en el contexto. La ingeniería de contexto cubre además la memoria, los resúmenes, las salidas de herramientas y el orden.
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- Anthropic · Effective context engineering for AI agents (en inglés)
- Mei et al. · A Survey of Context Engineering for Large Language Models (arXiv) (en inglés)
- LangChain · Context engineering for agents (en inglés)
Actualizado: 2026-10-21