Cuando una inteligencia artificial responde mal, solemos probar lo mismo: escribir un prompt más largo y añadir más instrucciones. A veces funciona. Muchas veces no.

El problema puede estar en otro lugar. La IA necesita recibir la información correcta para cada tarea. Elegir, ordenar y actualizar esa información es lo que se conoce como ingeniería de contexto.

Un prompt no es todo el contexto

Un prompt es la instrucción que le damos al modelo. Por ejemplo:

Resume este texto en cinco líneas y usa palabras sencillas.

El contexto es mucho más amplio. Incluye el prompt, pero también puede contener una conversación anterior, documentos, datos del usuario, resultados de herramientas y reglas sobre la respuesta.

Una comparación puede ayudar. El prompt se parece a una pregunta de un examen. El contexto es todo lo que tienes sobre la mesa para resolverla: tus apuntes, los datos del problema, las reglas y los resultados que ya obtuviste.

Un modelo de lenguaje no conserva por sí mismo todo lo ocurrido en el pasado. En cada llamada recibe un conjunto de información y trabaja con ella. Por eso, el sistema debe preparar el contexto antes de pedirle una respuesta.

Más texto también puede ser un problema

Una ventana de contexto grande permite enviar muchos tokens. Un token es una pequeña unidad de texto que el modelo procesa. Puede ser una palabra, parte de una palabra, un signo o un espacio.

Tener más espacio no significa que convenga llenarlo. Un contexto con demasiada información puede causar cuatro problemas:

1. Envenenamiento: un dato falso entra en el contexto y el modelo lo repite como si fuera correcto.
2. Distracción: la información importante queda escondida entre detalles que no sirven para la tarea.
3. Confusión: los datos secundarios hacen que el modelo siga una pista equivocada.
4. Conflicto: dos fuentes dicen cosas diferentes y el modelo escoge una sin saber cuál es la correcta.

La regla es sencilla: el modelo necesita información suficiente, pero no cualquier información.

¿Qué puede formar parte del contexto?

Antes de una llamada, un sistema puede reunir varios tipos de información:

Elemento	Para qué sirve
Instrucciones	Explican el rol de la IA y las reglas que debe seguir.
Solicitud del usuario	Indica qué se necesita en ese momento.
Hechos recuperados	Aportan información encontrada en documentos o bases de datos.
Herramientas	Indican qué funciones puede usar la IA, como leer un archivo o consultar una API.
Notas sintéticas	Resumen el estado actual de un trabajo.
Memoria	Conserva datos útiles para futuras conversaciones.
Formato de salida	Indica cómo debe presentar la respuesta, por ejemplo, como una tabla o un objeto JSON.

La información no se junta una sola vez. Se selecciona de nuevo en cada paso, según lo que el agente tenga que hacer.

Sesión, memoria y contexto

Estos tres conceptos se parecen, pero cumplen funciones diferentes:

• Sesión: es el registro de una conversación concreta. Guarda los mensajes, las acciones y el estado temporal del trabajo.
• Memoria: es la información importante que se extrae de una conversación y se conserva para más adelante.
• Contexto: es la selección de información que la IA recibe para responder una llamada específica.

Podemos imaginar una mesa de trabajo. La sesión es todo lo que ocurre mientras trabajas. La memoria es el archivador donde guardas los datos que seguirán siendo útiles. El contexto es lo que pones sobre la mesa para resolver el problema actual.

RAG y memoria no son lo mismo

Un sistema RAG (Retrieval-Augmented Generation, o generación aumentada mediante recuperación) busca información en documentos, páginas o bases de datos y la añade a la solicitud.

Por ejemplo, un chatbot de una biblioteca puede usar RAG para consultar el reglamento de préstamos. Esa información pertenece a la biblioteca y puede servir para muchas personas.

La memoria guarda información sobre una persona o una conversación. Puede recordar que alguien prefiere explicaciones cortas o que está trabajando en un proyecto determinado.

Una forma rápida de distinguirlos es esta:

• RAG ayuda a la IA a conocer un tema.
• La memoria ayuda a la IA a conocer el contexto de una persona o un trabajo.

Un agente puede usar los dos: RAG para encontrar hechos y memoria para mantener continuidad.

El ciclo del contexto

Un agente suele repetir este ciclo en cada turno:

1. Busca: recupera documentos, memorias y datos relacionados con la solicitud.
2. Prepara: organiza la información y construye el mensaje que recibirá el modelo.
3. Actúa: llama al modelo y usa las herramientas necesarias.
4. Guarda: conserva los datos que puedan servir más adelante.

Los tres primeros pasos ocurren antes de responder o mientras se resuelve la tarea. El último puede ejecutarse después, en segundo plano, para que la persona no tenga que esperar.

Cómo se mantiene una conversación larga

Las conversaciones largas tienen un problema práctico: cada nuevo mensaje puede aumentar el coste, la espera y la cantidad de ruido.

Para evitarlo, el sistema puede:

• conservar solo los últimos mensajes;
• cortar el historial cuando supera un límite de tokens;
• reemplazar las partes antiguas por un resumen.

Ese resumen debe conservar los hechos, decisiones y tareas pendientes. A estas notas breves las podemos llamar notas sintéticas. Son una versión reducida que permite continuar el trabajo sin cargar con cada detalle.

Cuando la información irrelevante se acumula, puede aparecer context rot. El modelo sigue teniendo los datos importantes, pero le cuesta prestarles atención porque están rodeados de demasiado contenido.

Cuatro acciones para ordenar la información

Un agente puede organizar su contexto con cuatro acciones, conocidas como WSCI:

1. Escribir (Write): guardar planes y resultados intermedios fuera de la conversación principal.
2. Seleccionar (Select): recuperar solo los datos necesarios para el paso actual.
3. Comprimir (Compress): resumir conversaciones y notas antiguas.
4. Aislar (Isolate): separar tareas o dividirlas entre agentes especializados.

Por ejemplo, una tarea puede tener un agente que lea los datos, otro que los compare con las reglas y otro que redacte la respuesta. Cada uno trabaja con la información que necesita.

Ejemplo: analizar una alerta de seguridad

Imagina un agente llamado Log Look. Su trabajo es revisar los registros de un servidor y detectar problemas.

Una petición poco precisa sería:

Analiza todos los registros de hoy y dime qué está mal.

El agente tendría que revisar demasiados datos. Podría distraerse con advertencias menores o equivocarse sobre la causa del problema.

Un sistema con ingeniería de contexto trabaja de otra manera:

1. Resume la alerta y le asigna una gravedad de 0 a 4.
2. Lee solo las líneas marcadas como ERROR o CRITICAL de la última hora.
3. Compara esas líneas con una lista de falsos positivos conocidos.
4. Usa agentes separados para leer, evaluar y redactar.
5. Entrega el resultado en un formato claro, como JSON.

La diferencia está en la calidad de los datos que recibe la IA.

La memoria también necesita cuidado

Una buena memoria requiere selección. Primero hay que decidir qué información merece conservarse. Después, esa información se compara con los recuerdos anteriores.

El proceso tiene cuatro pasos:

1. Extraer: identificar hechos, preferencias, objetivos o procedimientos útiles.
2. Consolidar: unir datos repetidos y resolver contradicciones.
3. Guardar: almacenar la memoria en un sistema que pueda encontrarla después.
4. Eliminar: retirar información vieja, incorrecta o que ya no sea útil.

También conviene guardar la procedencia de cada memoria: de dónde salió, cuándo se creó y qué datos la respaldan. Así el agente puede confiar más en una información reciente y confirmada que en una suposición antigua.

La memoria debe estar protegida. Los datos de una persona no deben mezclarse con los de otra. Además, el usuario debe poder pedir que no se guarde información o que se eliminen sus datos.

Ideas para recordar

• Un prompt es una instrucción; el contexto es toda la información que acompaña esa instrucción.
• Más texto no siempre produce mejores respuestas.
• RAG busca hechos en fuentes externas; la memoria conserva información útil sobre personas y trabajos.
• Las sesiones guardan conversaciones; las notas sintéticas ayudan a resumirlas.
• Una buena memoria se extrae, se revisa, se recupera y también se limpia.
• La ingeniería de contexto consiste en preparar la información correcta para cada paso.

Glosario breve

• Agente: programa que usa una IA para decidir acciones y completar tareas.
• Contexto: información que el modelo recibe para responder una solicitud.
• ETL: proceso de extraer, transformar y guardar información.
• Memoria: datos importantes que se conservan para usarlos después.
• Nota sintética: resumen corto que conserva hechos, decisiones y tareas pendientes.
• Prompt: instrucción que se entrega al modelo.
• Prompt injection: intento de introducir instrucciones maliciosas o no autorizadas en el contexto.
• RAG: técnica que busca información externa y la añade a la solicitud.
• Sesión: conversación y estado temporal de un trabajo.
• Token: unidad pequeña de texto procesada por el modelo.
• Ventana de contexto: cantidad máxima de tokens que el modelo puede recibir en una llamada.
• WSCI: escribir, seleccionar, comprimir y aislar la información.

Fuente

• Kimberly Milam, Antonio Gulli y Anant Nawalgaria, Context Engineering: Sessions, Memory, actualización indicada en el documento: mayo de 2026.