Claude Code y Codex cambian las reglas: la ingeniería de contexto sustituye a los prompts

En Habr AI se ha publicado un extenso análisis sobre Context Engineering cuya tesis central es muy práctica: en herramientas agénticas como Claude Code, Codex y Cursor, la calidad del resultado depende menos de cómo se formula la petición que de todo el entorno que rodea al modelo. El texto del usuario ocupa una porción minúscula del contexto. La influencia decisiva corresponde al prompt del sistema, las instrucciones del proyecto, la memoria entre sesiones, las herramientas, el historial del diálogo y los resultados de las llamadas. En otras palabras, la era del «prompt mágico» se acaba y la sustituye el diseño del contexto.

La idea clave gira en torno a la naturaleza de la ventana de contexto. El autor propone verla como el escritorio del modelo: cuantos más papeles sueltos haya, peor se reparte la atención entre las señales realmente importantes. Un contexto largo no solo cuesta más.

También reduce la calidad por dos efectos. El primero es el context rot: la atención se dispersa, el modelo empieza a olvidar restricciones iniciales, a obsesionarse con puntos antiguos y a responder de forma más vaga. El segundo es el reasoning shift: a medida que crece el contexto, parte de la capacidad de cómputo se destina a procesar la entrada y no a razonar, de modo que la respuesta puede sonar segura pero estar peor fundamentada.

El artículo cita una estimación según la cual un contexto largo puede recortar, sin aviso, hasta un 50 por ciento la profundidad del razonamiento.

El autor explica por qué ocurre esto a través de la arquitectura Transformer. En su forma básica, la atención tiene complejidad cuadrática O(n^2): cada token debe relacionarse con todos los demás. Por eso, añadir documentos, archivos y conversaciones largas hace que el coste escale no de forma lineal, sino cuadrática. En la práctica, esto afecta a la vez a cuatro parámetros: velocidad de respuesta, coste, límites y precisión. De ahí la tesis principal: un buen context engineering no consiste en «meterle todo al modelo», sino en seleccionar el conjunto mínimo de tokens de alta señal que maximice la probabilidad del resultado deseado.

A continuación, el texto desglosa de qué se compone el contexto en los sistemas agénticos. Además de los pesos del propio modelo, hay al menos varias capas controlables: el prompt del sistema, archivos de proyecto como CLAUDE.md o AGENTS.

md, la memoria sobre el usuario y el proyecto, skills con procesos ya preparados, integraciones MCP, archivos cargados de forma selectiva y todo el historial de tool_result. Se subraya que el modelo no «recuerda» la conversación por sí mismo: el harness reconstruye el historial y se lo envía de nuevo cada vez. Por eso, cada descripción de herramienta superflua, cada servidor MCP innecesario y cada archivo de sistema largo consumen tokens una y otra vez.

Para ahorrar hacen falta prompt cache, un compact consciente, sesiones nuevas mediante clear y el aislamiento de la investigación pesada en subagents, de modo que el agente principal reciba un resumen breve en lugar de montañas de datos intermedios.

La parte más práctica se refiere al coste del modo agéntico. Una sola petición a un agente puede no ser una única llamada al modelo, sino una cadena de varias llamadas con tool use. En el ejemplo del análisis de un despliegue fallido, un mensaje del usuario se convierte en cuatro llamadas al modelo y tres ejecuciones de herramientas.

Sin caché, un ciclo así se vuelve rápidamente absurdo desde el punto de vista económico; con prompt cache el precio baja de forma drástica, pero incluso entonces conviene recordar que los tokens de salida y el thinking oculto cuestan más que el input normal, y que las definiciones largas de herramientas y las instrucciones del sistema se incluyen en cada ronda.

De ahí la conclusión del autor: el maestro no se distingue por escribir prompts más ingeniosos, sino por montar una sola vez un entorno reproducible, con reglas del proyecto, memoria, herramientas relevantes y procesos, y después obligar al agente a trabajar según ese contrato.

Para el mercado del desarrollo con IA es un cambio importante. La competencia gira cada vez menos en torno a una petición bien redactada y más en torno a la calidad del ensamblaje del contexto, la disciplina con los tokens y la ingeniería del entorno agéntico. Los equipos que aprendan a gestionar la memoria, las herramientas y el historial con el mismo cuidado con que antes gestionaban los prompts obtendrán no solo respuestas más precisas, sino también costes predecibles. Y eso significa que la siguiente etapa de la evolución de las herramientas de IA la definirá no la magia de la petición, sino la arquitectura del contexto.