Con la expansión de los LLM surgió la disciplina del prompt engineering, que estudia las formas más eficaces de dar instrucciones a un modelo de IA y obtener respuestas coherentes con el objetivo del usuario. Desde el primer momento quedó claro algo: cuanta más información relevante y mejor definido esté el contexto al que accede el modelo, más probabilidades hay de que genere un output de calidad.

Y aquí entra en juego uno de los temas más candentes del momento: el context engineering.

Puntos clave:

• Con la llegada de los AI Agents, el prompt engineering ya no basta. El reto es diseñar todo el contexto que guiará al modelo durante la ejecución.
• Los LLM solo pueden procesar una cantidad limitada de información antes de perder precisión, así que gestionar de forma inteligente el attention budget resulta esencial.
• El context engineering combina diseño de contexto, recuperación dinámica de información, memoria externa y arquitecturas multiagente.

Por qué el prompt engineering ya no es suficiente

A medida que los LLM han evolucionado, la calidad de las instrucciones (el prompt engineering en sentido estricto) se ha convertido en solo una parte de la ecuación. Hoy el reto es gestionar con eficacia toda la información que el modelo recibe mientras ejecuta una tarea, es decir, el contexto en el que opera. Este cambio responde a dos fenómenos:

• Las conversaciones son mucho más largas y complejas. Con cada nuevo intercambio el contexto crece porque, sencillamente, el modelo necesita recordar las interacciones anteriores para dar respuestas coherentes más adelante. Y eso complica cada vez más decidir qué información es realmente relevante para la IA.
• Han llegado los AI Agents. A diferencia de un chat tradicional, un agente no interactúa con el LLM una sola vez, sino que lo invoca de forma continua dentro de un proceso iterativo. En cada paso consulta documentos, herramientas, APIs y bases de conocimiento, genera nueva información y la utiliza como contexto para los pasos siguientes. El resultado es un flujo de trabajo en evolución constante en el que el volumen de información que hay que gestionar crece muy rápido. 

El reto viene de que, igual que las personas, los LLM tienen una memoria limitada y deben operar con eficiencia. Cada modelo solo puede procesar una cantidad finita de información dentro de su ventana de contexto y, cuando esa ventana se llena, el sistema pierde precisión, olvida información esencial para decisiones posteriores y deja de asignar el peso adecuado a cada dato. Como los AI Agents están pensados para dar soporte a procesos críticos de negocio, perder información relevante o darle el peso equivocado puede traducirse en daños económicos y reputacionales.

La disciplina del Context Engineering surge precisamente porque aportar más contexto no basta para obtener mejores respuestas: hay que aportar el contexto adecuado en el momento adecuado.

Qué es el Context Engineering y cómo optimiza el attention budget

Anthropic define el Context Engineering como el arte y la ciencia de seleccionar, organizar y mantener el conjunto óptimo de información que alimenta a un modelo de lenguaje en cada fase del procesamiento. Dicho de otro modo: mientras el prompt engineering se centra en la forma óptima de dar instrucciones, el context engineering se ocupa de qué información debe estar disponible para el modelo y cuándo.

El objetivo final es aprovechar de la forma más eficiente posible la limitada ventana de contexto de los LLM, asegurando que cada token aporte calidad a la respuesta y evitando un exceso de información que derive en el llamado context rot, es decir, el deterioro progresivo de la capacidad del modelo para recuperar la información más relevante.

Como decíamos, el context engineering es un proceso dinámico e iterativo, porque el contexto evoluciona en función de las tareas que ejecuta el agente y de la nueva información que va apareciendo durante el proceso. Ese contexto nace de la combinación de tres fuentes distintas.

Instrucciones definidas por el usuario

Es el componente más cercano al prompt engineering tradicional. Incluye system prompts, objetivos, restricciones y reglas de comportamiento que definen los desarrolladores para guiar al modelo.

Información recuperada durante la ejecución

Mientras trabaja, un agente recupera continuamente nuevos datos consultando herramientas y sistemas externos. A través de protocolos como el Model Context Protocol (MCP), por ejemplo, puede acceder a sistemas CRM y ERP, documentación técnica o servicios web, y cargar en la ventana de contexto solo la información que necesita en ese momento concreto. Lo mismo ocurre con documentos, imágenes o páginas web, que se recuperan solo cuando hacen falta, evitando ocupar espacio innecesario en la ventana de contexto.

Conocimiento generado por el propio agente

Cada búsqueda, respuesta de una herramienta, decisión intermedia o resultado final puede ser útil en pasos posteriores. Algunos sistemas emplean mecanismos de memoria agéntica, que guardan notas y resúmenes en memorias externas para recuperarlos cuando sea necesario.

Cómo diseñar un sistema de Context Engineering eficiente

En la práctica, hacer context engineering es diseñar un sistema capaz de dar al modelo el contexto adecuado en el momento adecuado, más allá de las instrucciones puntuales que el usuario introduce manualmente mediante prompts. Para conseguirlo hay que trabajar sobre varios aspectos de la arquitectura del agente.

Diseñar un contexto esencial

El primer principio es no malgastar el attention budget. Los system prompts, las instrucciones, los ejemplos y las restricciones deben ser lo bastante detallados como para guiar el comportamiento, pero sin pasarse: corren el riesgo de ocupar toda la ventana de contexto sin necesidad. La clave está en encontrar el equilibrio entre codificar cada regla al detalle y quedarse en afirmaciones genéricas con poco valor real.

Diseñar herramientas eficientes en tokens

Las herramientas que utilizan los AI Agents también deben diseñarse teniendo en cuenta que trabajan con una ventana de contexto limitada. El objetivo es que cada integración devuelva solo la información necesaria. Una herramienta bien diseñada no devuelve cientos de registros cuando bastan tres, ni documentos enteros cuando basta con un extracto.

Recuperar el contexto de forma progresiva

Precargar toda la información disponible no es una buena práctica. Un enfoque más eficaz es lo que Anthropic llama progressive disclosure: el agente puede, por ejemplo, ver solo los metadatos de un conjunto de documentos, decidir cuáles merece la pena investigar y recuperar el contenido completo solo cuando hace falta. Este comportamiento lo definen los desarrolladores a través del diseño de los flujos de trabajo, las APIs y las reglas que rigen la integración de la información.

Gestionar tareas de larga duración

Las tareas más complejas pueden superar con creces la capacidad de la ventana de contexto de un LLM. Por eso las arquitecturas más avanzadas adoptan estrategias como la summarization, que resume automáticamente el trabajo realizado conservando las decisiones y la información esenciales, con una reducción notable de espacio. Otra opción es recurrir a arquitecturas multiagente, que reparten el trabajo entre agentes especializados —cada uno con su propia ventana de contexto— y delegan en un agente coordinador la tarea de recopilar y sintetizar los resultados.

Afronta los retos de la Agentic AI con nosotros

En Kirey ayudamos a las empresas a aprovechar al máximo el potencial de la inteligencia artificial. En los últimos meses, los AI Agents se han convertido en el principal motor de esta evolución por su capacidad de razonar, decidir y actuar de forma autónoma sobre los procesos de negocio. Un cambio con potencial real para transformar la forma de operar de las compañías.

Las oportunidades son enormes, pero los retos técnicos y de diseño son igual de concretos, sobre todo en un terreno que avanza a un ritmo sin precedentes.

Es precisamente en retos como el de la ventana de contexto donde acompañamos a las empresas en su transformación, ayudándolas a mejorar su eficiencia y su productividad, acelerar la innovación y construir hoy las capacidades que necesitarán mañana.

Contacta con nosotros para descubrir cómo llevar la Agentic AI a los procesos de tu organización.