Context Engineering
Context engineering es la práctica de diseñar deliberadamente y ensamblar toda la información suministrada a la ventana de contexto de un modelo de lenguaje — incluyendo instrucciones, documentos recuperados, outputs de herramientas, resúmenes de memoria e historial de conversación — para maximizar el desempeño del modelo en una tarea específica.
Context engineering trata todo lo que se pasa a la ventana de contexto de un modelo de lenguaje como un artefacto de diseño que requiere construcción y optimización deliberadas. Mientras que prompt engineering se enfoca principalmente en el texto de instrucciones en sí, context engineering abarca el entorno completo de información que recibe el modelo: instrucciones del sistema, historial de conversación, conocimiento recuperado a través de retrieval-augmented generation (RAG), datos estructurados, outputs de llamadas de herramientas, código, documentos cargados y resúmenes de memoria externa. El término ganó tracción significativa en 2025 cuando los practicantes de IA reconocieron que el ensamblaje de contexto ad-hoc o ingenuo era un impulsor primario del desempeño subóptimo y el comportamiento inconsistente en sistemas de IA en producción, independiente de la capacidad del modelo.
Context engineering implica varias decisiones de diseño interconectadas. La selección determina qué información es lo suficientemente relevante para incluir — incluso modelos con ventanas de contexto de millones de tokens funcionan mejor cuando el contexto está enfocado, porque el contenido irrelevante diluye la atención e incrementa el ruido. El orden importa concretamente: la investigación empírica publicada en 2023 demostró que los modelos de lenguaje recuperan información de manera menos confiable cuando se coloca en la mitad de contextos largos en comparación con el principio o el final, un hallazgo etiquetado como el problema "lost in the middle", haciendo que el posicionamiento de contenido crítico sea una variable de diseño explícita. Las decisiones de compresión — cuándo y cómo resumir turnos de conversación previos o documentos largos — equilibran el recall contra los costos de tokens. Para sistemas multi-paso agentic, los ingenieros de contexto deben además gestionar el formateo de outputs de herramientas, la representación de estado entre pasos, y las arquitecturas de memoria de sesión a sesión para mantener el modelo orientado sin inundar la ventana con contenido intermedio irrelevante.
Context engineering es importante porque el mismo modelo subyacente puede producir resultados dramáticamente diferentes dependiendo de cómo se ensambla su contexto. Un modelo respondiendo una consulta de soporte técnico que recibe la sección relevante de documentación de producto, el historial de cuenta del cliente, y una instrucción de tarea concisa superará el mismo modelo dado un contexto no enfocado que contiene el catálogo de producto completo junto con conversaciones previas no relacionadas. A medida que las aplicaciones de IA se vuelven más complejas — incorporando múltiples documentos recuperados, coordinación multi-agente, outputs de herramientas externas e historiales de interacción largos — la gestión sistemática del contexto se vuelve tan importante una palanca de desempeño como la selección del modelo o la formulación del prompt.
A partir de 2026, context engineering es reconocido como una capa distinta de la arquitectura de aplicación de IA con herramientas dedicadas. Marcos como LangChain, LlamaIndex y la API OpenAI Assistants proporcionan abstracciones para recuperación, memoria y ensamblaje dinámico de contexto. Los sistemas en producción comúnmente implementan chunking semántico para recuperación de documentos, destilación de contexto (convertir historiales de interacción largos en resúmenes de memoria compactos), y selección dinámica few-shot (recuperar los ejemplos más relevantes en tiempo de inferencia en lugar de codificarlos de forma estática). La disciplina es especialmente central para sistemas agentic de IA, donde cadenas de llamadas de herramientas generan grandes volúmenes de contenido intermedio que deben filtrarse y reestructurarse para mantener el enfoque del modelo a través de tareas que abarcan muchos pasos.