Explicación
Ingeniería de contexto para agentes de IA: un marco práctico de fiabilidad
La ingeniería de contexto para agentes de IA consiste en decidir qué información, instrucciones, herramientas, estado y memoria debe recibir el agente en cada etapa. No busca llenar la ventana de contexto, sino entregar el conjunto mínimo y suficiente para tomar la siguiente decisión y producir un resultado verificable.
Este artículo explica la diferencia frente a la ingeniería de prompts, presenta cinco capas de contexto, una bucle de selección y una plantilla reutilizable para probar un flujo de trabajo real.
Investigación y transparencia: Ottermind publica este artículo. Revisamos las fuentes primarias de Anthropic, LangChain y OpenAI Agents SDK, además del estudio Lost in the Middle, el 28 de agosto de 2026. Las cinco capas y los ejemplos son marcos editoriales originales, no benchmarks de Ottermind.
Por qué importa
Un agente busca, lee archivos, usa herramientas, observa resultados y revisa su plan. El historial crece y puede incluir datos obsoletos, duplicados o contradictorios. Enviar todo aumenta coste y latencia y oculta la evidencia importante. La investigación Lost in the Middle muestra que la información situada en el centro de un contexto largo puede utilizarse peor.
Contexto frente a prompt
| Disciplina | Pregunta | Alcance |
|---|---|---|
| Ingeniería de prompts | ¿Cómo expresamos la tarea? | Instrucciones, ejemplos, rol y formato |
| Ingeniería de contexto | ¿Qué debe ver el modelo ahora? | Instrucciones, evidencia, herramientas, estado, memoria y permisos |
Consulta la guía de prompts de Ottermind para el brief inicial.
Cinco capas
| Capa | Contenido | Riesgo |
|---|---|---|
| Conducta | Reglas y límites | Instrucciones vagas |
| Tarea | Objetivo, público y criterios | Sin condición de parada |
| Evidencia | Archivos y fuentes fechadas | Información antigua |
| Operaciones | Herramientas y permisos | Exceso de acceso |
| Continuidad | Plan, decisiones y memoria | Estado obsoleto |
Context Selection Loop
- Nombra la próxima decisión.
- Reúne candidatos por capa y conserva origen y fecha.
- Filtra por relevancia, autoridad, actualidad, consistencia y permiso.
- Estructura el contexto, elimina duplicados y conserva las decisiones aprobadas.
- Observa el resultado, actualiza el estado y define la siguiente decisión.
Ejemplo y prácticas
Para preparar un memo competitivo, crea primero un contrato de tarea y un mapa de fuentes; después selecciona evidencia actual, compara opciones, redacta desde la decisión aprobada y valida el resultado. Es un ejemplo de método, no una prueba de rendimiento.
Empieza con el contexto mínimo suficiente, separa hechos de instrucciones, conserva la procedencia al resumir, limita las herramientas y evalúa dos estrategias con la misma tarea y criterios.
Plantilla reutilizable
Tarea y próxima decisión: completa [tarea]; decide [decisión].
Resultado: entregable [artefacto], público [persona], evidencia [fuentes], criterios [calidad y formato].
Detente o escala cuando aparezca [riesgo o límite].
Contexto conductual: sigue [reglas] y no publiques, envíes, borres ni cambies registros sin aprobación.
Evidencia: usa [archivos, fragmentos y enlaces], conserva citas y conflictos.
Operaciones: herramientas [lista corta], permisos [leer, redactar, escribir, aprobar].
Continuidad: estado [etapas], decisiones [registro], preguntas [vacíos].
Devuelve resultado, fuentes, supuestos, fallos y próxima decisión.Para el modelo de ejecución, lee Qué es un workflow agéntico, los mejores espacios de agentes de IA y la guía de asistentes de investigación.
