Glosario
69 términos de «Ingeniería de contexto: gastar una atención finita donde más rinde». Pasa el cursor sobre la primera aparición en la lección para ver la definición.
| Término | Definición | Fuente |
|---|---|---|
| ingeniería de prompts | Métodos para escribir y organizar las instrucciones de un LLM con miras a resultados óptimos; el foco está en cómo se redacta y se ordena la instrucción en sí. | Effective context engineering for AI agents — Anthropic Engineering |
| ingeniería de contexto | El conjunto de estrategias para curar y mantener el conjunto óptimo de tokens en la ventana durante la inferencia del LLM; una disyuntiva que hay que volver a responder en cada turno del bucle. | Effective context engineering for AI agents — Anthropic Engineering |
| presupuesto de atención | El presupuesto finito del que echan mano los LLM al analizar grandes volúmenes de contexto; cada token nuevo que se introduce lo agota en cierta medida. | Effective context engineering for AI agents — Anthropic Engineering |
| degradación de contexto | El fenómeno por el cual la capacidad del modelo de recordar con precisión información del contexto disminuye a medida que aumenta el número de tokens en la ventana. | Effective context engineering for AI agents — Anthropic Engineering |
| gradiente de rendimiento | La curva de rendimiento que declina de forma gradual y que sigue la degradación de contexto a medida que crecen los tokens, en vez de un fallo súbito a partir de cierto umbral de tokens. | Effective context engineering for AI agents — Anthropic Engineering |
| rendimientos marginales decrecientes | Mirar el contexto como un recurso finito donde el token número mil y el número cien mil ocupan el mismo espacio pero están a mundos de distancia en el valor que aportan. | Effective context engineering for AI agents — Anthropic Engineering |
| arnés | La envoltura de ingeniería completa que sostiene el bucle de un agente; el mismo modelo con arneses distintos produce resultados completamente distintos. | The 2026 Agent Engineering Roadmap — GitHub (codejunkie99/agent-roadmap-2026) |
| progresión natural | El encuadre de Anthropic de la ingeniería de contexto como la evolución natural de la ingeniería de prompts, no como su reemplazo; el prompt del sistema sigue teniendo que estar bien escrito, solo que como uno de los muchos ingredientes de contexto que hay que gestionar. | Effective context engineering for AI agents — Anthropic Engineering |
| tareas de horizonte largo | Tareas de agente que se extienden a lo largo de muchos turnos de inferencia y de mucho tiempo; el escenario que la compactación, las notas estructuradas y las arquitecturas multiagente atacan en conjunto. | Effective context engineering for AI agents — Anthropic Engineering |
| altitud | El nivel de abstracción en el que se ubica un prompt del sistema; describe si las instrucciones son demasiado concretas, con lógica cableada y frágil en un extremo, o demasiado vagas, sin ninguna señal de comportamiento en el otro. | Effective context engineering for AI agents — Anthropic Engineering |
| Volar demasiado bajo | Un extremo de fallo del prompt del sistema: usar numerosas reglas del tipo «si… entonces…» para cablear la lógica en el prompt, de modo que los casos no cubiertos caen en una rama comodín. | Effective context engineering for AI agents — Anthropic Engineering |
| Flotar demasiado alto | Un extremo de fallo del prompt del sistema: dar solo consignas vagas sin orientación concreta, con lo que el modelo se queda sin ninguna señal accionable y su comportamiento se desvía de forma impredecible. | Effective context engineering for AI agents — Anthropic Engineering |
| la altitud correcta | La forma recomendada del prompt del sistema: lo bastante específica para guiar el comportamiento de forma eficaz, y a la vez lo bastante flexible para darle al modelo heurísticas fuertes. | Effective context engineering for AI agents — Anthropic Engineering |
| principios más límites infranqueables | La estructura práctica para un prompt del sistema a la altitud correcta: unos pocos principios de juicio que cubren los escenarios generales, más un número pequeño de límites infranqueables que clavan las fronteras de cumplimiento no negociables. | Effective context engineering for AI agents — Anthropic Engineering |
| CLAUDE.md | En Claude Code, un archivo de configuración a nivel de proyecto que se carga en el contexto al inicio de cada conversación; solo debería contener lo que aplica de forma amplia, en cada sesión. | Best practices for Claude Code — Claude Code Docs |
| prueba de eliminación | Un método para auditar línea por línea el contenido de los archivos siempre cargados: preguntarse «¿quitar esto causaría errores?». Si la respuesta es no, córtala. | Best practices for Claude Code — Claude Code Docs |
| Skills | En Claude Code, capacidades especializadas empaquetadas que se cargan bajo demanda en vez de quedar residentes en cada conversación como CLAUDE.md, para que ninguna sesión se infle. | Best practices for Claude Code — Claude Code Docs |
| superposición mínima de funcionalidad | Un requisito de diseño de herramientas: varias herramientas deberían tener fronteras funcionales claras, evitando zonas donde las dos puedan hacer el mismo trabajo. | Effective context engineering for AI agents — Anthropic Engineering |
| eficiente en tokens | Un estándar de diseño para el valor de retorno de una herramienta: devolver por defecto solo los campos clave, evitando inundar el historial de mensajes con grandes volúmenes de información de bajo valor que consumen presupuesto de atención una y otra vez. | Effective context engineering for AI agents — Anthropic Engineering |
| canónico | Un criterio para elegir ejemplos few-shot: un ejemplo debería representar una clase entera de comportamiento esperado, no una situación específica aislada. | Effective context engineering for AI agents — Anthropic Engineering |
| lista interminable de casos límite | Agregar una línea a la lista de ejemplos o de reglas por cada caso especial que aparece en producción, hasta acumular una lista larga y tediosa; un antipatrón que hay que evitar. | Effective context engineering for AI agents — Anthropic Engineering |
| precarga | La estrategia de poner todo el material que pudiera necesitarse en el contexto inicial antes de que empiece la inferencia, para que el modelo lo vea todo en el turno uno sin tener que recuperar nada. | Effective context engineering for AI agents — Anthropic Engineering |
| recuperación justo a tiempo | La estrategia de mantener identificadores ligeros en el contexto inicial y dejar que el agente cargue el contenido mediante herramientas en tiempo de ejecución, según se necesite. | Effective context engineering for AI agents — Anthropic Engineering |
| identificadores ligeros | Punteros al contenido en vez del contenido mismo —rutas de archivo, consultas guardadas, enlaces web— para que el agente los expanda bajo demanda a contenido completo en tiempo de ejecución. | Effective context engineering for AI agents — Anthropic Engineering |
| metadatos | La información adosada a los identificadores —nombres de archivo, estructura de directorios, marcas de tiempo— que anuncia relevancia y propósito sin necesidad de abrir el contenido. | Effective context engineering for AI agents — Anthropic Engineering |
| descubrimiento progresivo | La manera en que el agente se apoya en identificadores y herramientas de recuperación para encontrar paso a paso, mediante la exploración, el contenido de verdad relevante, en vez de recibirlo todo servido de una vez. | Effective context engineering for AI agents — Anthropic Engineering |
| estrategia híbrida | El enfoque combinado de recuperar algunos datos por adelantado por velocidad y dejar el resto como identificadores para que el modelo explore por su cuenta en tiempo de ejecución; la forma común en los sistemas reales. | Effective context engineering for AI agents — Anthropic Engineering |
| marco de disyuntivas | Un método práctico para juzgar si cada material candidato se precarga o se recupera justo a tiempo: preguntar en orden «¿es estable?» y «¿se usa en cada turno?». | Effective context engineering for AI agents — Anthropic Engineering |
| list_files | Una herramienta de recuperación de ejemplo del curso para listar los archivos y subdirectorios bajo un directorio del repo; el primer paso de la recuperación justo a tiempo, que ayuda al agente a estrechar el alcance. | Effective context engineering for AI agents — Anthropic Engineering |
| grep | Una herramienta de recuperación de ejemplo del curso para buscar texto de forma recursiva bajo un directorio; devuelve las líneas coincidentes con un tope de cantidad de líneas para controlar el consumo de tokens. | Effective context engineering for AI agents — Anthropic Engineering |
| read_file | Una herramienta de recuperación de ejemplo del curso para leer el contenido de un solo archivo; se estipula usarla solo después de que list_files o grep hayan confirmado que el archivo es relevante. | Effective context engineering for AI agents — Anthropic Engineering |
| la esencia de la búsqueda es la compresión | El resumen de Anthropic sobre el proceso de búsqueda: cada recuperación estrecha un corpus enorme y destila los hallazgos de verdad útiles; cada paso de la recuperación justo a tiempo ejecuta esa compresión. | How we built our multi-agent research system — Anthropic Engineering |
| REPO_ROOT | Una constante del código de ejemplo del curso que indica la ruta raíz del repo; las operaciones de archivo de las tres herramientas de recuperación se apoyan en ella para ubicar las rutas reales. | Effective context engineering for AI agents — Anthropic Engineering |
| compactación | Cuando una conversación se acerca al límite de la ventana de contexto, entregarle el historial de mensajes al modelo para que lo resuma y luego reiniciar una ventana de contexto nueva a partir de ese resumen. | Effective context engineering for AI agents — Anthropic Engineering |
| reiniciar | La acción central de la compactación: abrir una ventana de contexto enteramente nueva con el resumen, abandonando en bloque el historial de mensajes viejo en vez de seguir acumulando sobre la conversación original. | Effective context engineering for AI agents — Anthropic Engineering |
| resumen de traspaso | El texto de resumen que genera la compactación para que la ventana nueva lo lea al arrancar; tiene que conservar decisiones arquitectónicas, problemas sin resolver y detalles clave de implementación para que el agente siga trabajando. | Effective context engineering for AI agents — Anthropic Engineering |
| COMPACT_INSTRUCTION | Una constante del código de ejemplo del curso que define la instrucción de resumen de la compactación; exige explícitamente conservar decisiones arquitectónicas, problemas sin resolver y detalles clave de implementación, y descartar los resultados de herramientas redundantes. | Effective context engineering for AI agents — Anthropic Engineering |
| compact() | La función que implementa la compactación en el ejemplo del curso: le envía al modelo el historial de mensajes junto con la instrucción de resumen y luego reemplaza el arreglo messages entero con el resumen devuelto para reiniciar una ventana nueva. | Effective context engineering for AI agents — Anthropic Engineering |
| notas estructuradas | Hacer que el agente escriba de forma activa el estado clave en un lugar persistente fuera de la ventana de contexto en el momento en que toma decisiones o descubre problemas; complementa a la compactación, que es pasiva y a posteriori. | Effective context engineering for AI agents — Anthropic Engineering |
| NOTES.md | El archivo de notas estructuradas que el agente mantiene en el ejemplo del curso; registra decisiones tomadas, problemas sin resolver y planes de próximos pasos, y existe en el sistema de archivos de forma independiente del historial de conversación. | Effective context engineering for AI agents — Anthropic Engineering |
| lista de pendientes | El mecanismo de Claude Code para mantener listas de tareas; igual que un agente propio manteniendo NOTES.md, las dos son prácticas de notas estructuradas que externalizan el estado clave fuera de la ventana. | Effective context engineering for AI agents — Anthropic Engineering |
| /clear | Un comando de Claude Code para reiniciar por completo la ventana de contexto al cambiar a una tarea nueva sin relación con la anterior; no resume ni preserva nada de lo viejo. | Best practices for Claude Code — Claude Code Docs |
| autocompactación | El mecanismo de compactación productizado de Claude Code: se dispara de forma automática cuando la conversación se acerca a los límites de contexto y preserva el código y las decisiones importantes sin intervención manual. | Best practices for Claude Code — Claude Code Docs |
| Claude jugando Pokémon | Un caso que menciona Anthropic para ilustrar cómo los mecanismos de memoria pueden transformar las capacidades de un agente en dominios que no son de programación, sin ser exclusivos de las tareas de código. | Effective context engineering for AI agents — Anthropic Engineering |
| tres movimientos | Las tres clases de técnicas de gestión de contexto para tareas de horizonte largo —compactación, notas estructuradas y arquitecturas multiagente—, orientadas en conjunto a que el agente mantenga coherencia, contexto y comportamiento dirigido a objetivos a lo largo de secuencias de acciones. | Effective context engineering for AI agents — Anthropic Engineering |
| subagente | Un mecanismo que maneja tareas acotadas en ventanas de contexto limpias y devuelve al agente principal solo un resumen comprimido; su valor no está solo en la colaboración multiagente, sino en el aislamiento de contexto en sí. | Effective context engineering for AI agents — Anthropic Engineering |
| ventana limpia | La ventana de contexto enteramente nueva con la que arranca un subagente, sin cargar nada del historial de mensajes del agente principal, de modo que el presupuesto de atención se gaste por completo en la tarea acotada. | Effective context engineering for AI agents — Anthropic Engineering |
| filtros inteligentes | La metáfora de Anthropic para el papel del subagente: condensa, en lugar del agente principal, los tokens más importantes del proceso de exploración; entra el corpus, sale lo esencial. | How we built our multi-agent research system — Anthropic Engineering |
| proporción entre proceso y conclusión | Un criterio para juzgar si vale la pena entregarle una tarea a un subagente: la proporción de volumen entre el contenido intermedio de la exploración y la conclusión final; cuanto más despareja, mayor el rédito del aislamiento. | Effective context engineering for AI agents — Anthropic Engineering |
| runSubagent | La función del código de ejemplo del curso que arranca el bucle del subagente: abre con una descripción de tarea aislada como arreglo de mensajes enteramente nuevo y devuelve solo la conclusión final en texto del modelo. | Effective context engineering for AI agents — Anthropic Engineering |
| dispatch_research | La herramienta del lado del agente principal en el ejemplo del curso para entregarle tareas de investigación a un subagente; enchufada al bucle de stop_reason, devuelve la conclusión resumida del subagente. | Effective context engineering for AI agents — Anthropic Engineering |
| SUBAGENT_SYSTEM | Una constante del código de ejemplo del curso con el prompt del sistema propio del subagente; le exige entregar conclusiones de como máximo 1500 tokens y no repetir el texto crudo que leyó. | Effective context engineering for AI agents — Anthropic Engineering |
| traspaso | En tareas largas, la acción de mantener la continuidad pasando los puntos esenciales cuando se genera un subagente fresco con ventana limpia para continuar el trabajo de un subagente anterior. | How we built our multi-agent research system — Anthropic Engineering |
| arquitecturas multiagente | Un patrón arquitectónico que entrega el trabajo de exploración a subagentes independientes y recupera solo resúmenes comprimidos; uno de los tres movimientos para tareas de horizonte largo. | Effective context engineering for AI agents — Anthropic Engineering |
| 4× (uso de tokens de un agente frente al chat) | Según las mediciones de Anthropic sobre su sistema de investigación multiagente, un agente solo usa unas 4× más tokens que una interacción de chat común; es la medición empírica de ese sistema, no una ley universal. | How we built our multi-agent research system — Anthropic Engineering |
| 15× (uso de tokens de un sistema multiagente frente al chat) | Según las mediciones de Anthropic sobre su sistema de investigación multiagente, el sistema multiagente entero usa unas 15× más tokens que una interacción de chat común; también es la medición empírica de ese sistema, no una ley universal. | How we built our multi-agent research system — Anthropic Engineering |
| 80 % (el uso de tokens explicando la varianza de rendimiento) | Según las mediciones de Anthropic sobre su sistema de investigación multiagente, el uso de tokens por sí solo explica el 80 % de la varianza de rendimiento de ese sistema; un dato de referencia importante para juzgar si el aislamiento vale la pena. | How we built our multi-agent research system — Anthropic Engineering |
| CONTEXT_WINDOW | Una constante del código de ejemplo del curso que representa el límite de capacidad de la ventana de contexto; se fija con criterio de ingeniería según el modelo que uses de verdad. | Effective context engineering for AI agents — Anthropic Engineering |
| COMPACT_RATIO | Una constante del código de ejemplo del curso que define la proporción de umbral que dispara la compactación; cuando el uso supera la capacidad de la ventana multiplicada por esa proporción, se dispara la compactación. | Effective context engineering for AI agents — Anthropic Engineering |
| shouldCompact | La función de juicio del código de ejemplo del curso: revisa si el uso acumulado de tokens alcanzó o superó el umbral de compactación y decide si hay que dispararla. | Effective context engineering for AI agents — Anthropic Engineering |
| tokensUsed | La variable contador del código de ejemplo del curso que sigue el uso acumulado de tokens de la ventana actual; debe volver a cero después de que la compactación se dispara y se completa, porque representa «cuánto lleva usado esta ventana» y no el total histórico. | Effective context engineering for AI agents — Anthropic Engineering |
| trackUsage | La función auxiliar del código de ejemplo del curso: acumula en el contador tokensUsed los input_tokens y los output_tokens de cada respuesta del modelo. | Effective context engineering for AI agents — Anthropic Engineering |
| update_notes | La herramienta del código de ejemplo del curso con la que el agente escribe en NOTES.md; su semántica es que cada escritura sobrescribe en bloque con el contenido completo, sin ninguna fusión incremental. | Effective context engineering for AI agents — Anthropic Engineering |
| runAgent | La función principal del código de ejemplo del curso que junta en un mismo bucle el seguimiento del uso, la compactación disparada por umbral y la lectura y escritura de notas, para ejecutar tareas que exceden la capacidad de una sola ventana. | Effective context engineering for AI agents — Anthropic Engineering |
| tormenta de compactación | El fenómeno de bug donde olvidar reiniciar tokensUsed después de compactar hace que casi cada turno siguiente dispare la compactación por error, con lo que la tarea gira en el mismo lugar resumiendo y reiniciando una y otra vez. | Effective context engineering for AI agents — Anthropic Engineering |
| compactación disparada por umbral | El mecanismo que cablea la compactación al bucle: cuando el uso acumulado alcanza la proporción de umbral fijada, se dispara la compactación de forma proactiva y el trabajo continúa, sin esperar a que la ventana reviente de verdad. | Effective context engineering for AI agents — Anthropic Engineering |
| readNotes | La función del código de ejemplo del curso que lee el contenido actual de las notas desde NOTES.md y devuelve un texto de marcador de posición si la lectura falla (porque el archivo todavía no existe). | Effective context engineering for AI agents — Anthropic Engineering |
| writeNotes | La función del código de ejemplo del curso que escribe en el archivo NOTES.md el contenido completo de notas que recibe, para que la herramienta update_notes la use cuando se la llama. | Effective context engineering for AI agents — Anthropic Engineering |
| llamada de compactación | La llamada extra al modelo que dispara la compactación para generar el resumen de traspaso; su salida se usa directamente para reiniciar el arreglo de mensajes y no entra al bucle principal para seguir razonando. | Effective context engineering for AI agents — Anthropic Engineering |