[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:stajic:es":3,"public-menus:all":38,"post:what-is-context-engineering-what-the-model-receives-before-it-answers:es":205,"related:post:what-is-context-engineering-what-the-model-receives-before-it-answers:es:1":3034},{"statusCode":4,"data":5,"message":37},200,{"tenantId":6,"lang":7,"defaultLang":8,"siteUrl":9,"contactEmail":10,"brandName":11,"logoUrl":12,"siteName":11,"siteDescription":13,"ogImage":10,"robotsIndex":14,"socialLinks":10,"reservedSlugs":10,"seoPolicy":15},"stajic","es","de","https:\u002F\u002Fstajic.de",null,"Stajic Platform","\u002FLogo_Planet.svg","Stajic Portal",true,{"branding":16,"relatedContent":17,"crossDomainLinks":18},{"logoUrl":12},{"enabled":14},[19,22,25,28,31,34],{"url":20,"label":21,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Ffigure.rocks","figure.rocks",{"url":23,"label":24,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":26,"label":27,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.com","bazify.com",{"url":29,"label":30,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.de","bazify.de",{"url":32,"label":33,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.at","bazify.at",{"url":35,"label":36,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.ba","bazify.ba","Portal settings resolved",[39,45],{"id":40,"name":41,"location":42,"isActive":14,"isDefault":43,"items":44},1,"main-navigation","header",false,[],{"id":46,"name":47,"location":48,"isActive":14,"isDefault":14,"items":49},4,"main-menu","sidebar",[50,66,79,93,103,118,133],{"id":51,"title":52,"url":60,"target":61,"icon":62,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":64,"portfolioId":10,"children":65},"item-18",{"de":53,"en":54,"es":55,"fr":56,"it":54,"ru":57,"sr":58,"zh":59},"Startseite","Home","Inicio","Accueil","Главная","Почетна","首页","\u002Ffull-stack-web-developer-munich-performance-seo-and-maintainable-builds","_self","i-lucide-home","page",111,[],{"id":67,"title":68,"url":75,"target":61,"icon":76,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":77,"portfolioId":10,"children":78},"item-22",{"de":69,"en":69,"es":70,"fr":69,"it":71,"ru":72,"sr":73,"zh":74},"Vision","Visión","Visione","Видение","Визија","想象","\u002Fueber-uns-webdesign-muenchen-webaplikation","i-lucide-eye",113,[],{"id":80,"title":81,"url":89,"target":61,"icon":90,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":91,"portfolioId":10,"children":92},"item-19",{"de":82,"en":83,"es":84,"fr":83,"it":85,"ru":86,"sr":87,"zh":88},"Leistungen","Services","Servicios","Servizi","Услуги","Услуге","服务","\u002Fservices-dienstleistungen-muenchen","i-lucide-wrench",116,[],{"id":94,"title":95,"url":99,"target":61,"icon":100,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":101,"portfolioId":10,"children":102},"item-23",{"de":96,"en":96,"es":96,"fr":96,"it":96,"ru":97,"sr":97,"zh":98},"Blog","Блог","博客","\u002Fblog","i-lucide-book-open",112,[],{"id":104,"title":105,"url":114,"target":61,"icon":115,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":116,"portfolioId":10,"children":117},"item-32",{"de":106,"en":107,"es":108,"fr":109,"it":110,"ru":111,"sr":112,"zh":113},"Neue Technologien","New Technologies","Nuevas tecnologías","Nouvelles technologies","Nuove tecnologie","Новые технологии","Нове технологије","新技术！","\u002Fneue-webtechnologien","i-lucide-sparkles",122,[],{"id":119,"title":120,"url":129,"target":61,"icon":130,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":131,"portfolioId":10,"children":132},"item-20",{"de":121,"en":122,"es":123,"fr":124,"it":125,"ru":126,"sr":127,"zh":128},"Kontakt","Contact us!","Contacto","Contact","Contatto","Контакт","Контактирајте нас","联系我们！","\u002Fcontact","i-lucide-mail",115,[],{"id":134,"title":135,"url":144,"target":61,"icon":145,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":147},"item-21",{"de":136,"en":137,"es":138,"fr":139,"it":140,"ru":141,"sr":142,"zh":143},"Unsere Arbeit","Our Work","Nuestro trabajo","Nos réalisations","I nostri lavori","Наши работы","Наши радови","文件夹","\u002Fportfolio","i-lucide-briefcase",114,[148,161,175,181,193],{"id":149,"title":150,"url":144,"target":61,"icon":159,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":160},"item-24",{"de":151,"en":152,"es":153,"fr":154,"it":155,"ru":156,"sr":157,"zh":158},"Alle Projekte","All Projects","Todos los proyectos","Tous les projets","Tutti i progetti","Все проекты","Сви пројекти","所有项目","i-lucide-grid-3x3",[],{"id":162,"title":163,"url":171,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":174},"item-29",{"de":164,"en":165,"es":166,"fr":167,"it":168,"ru":169,"sr":170,"zh":143},"Local Roots, Global Reach","Local Roots - Global Reach","Empresa local ","Entreprise locale","Azienda locale","Местная компания","Локално предузеће глобално тржиште","\u002Fportfolio\u002Flocal-roots-global-reach-communication-media-systems-for-modern-business","i-lucide-folder","custom",[],{"id":176,"title":177,"url":179,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":180},"item-28",{"de":178,"en":178,"es":178,"fr":178,"it":178,"ru":178,"sr":178,"zh":178},"Solr Suggester","\u002Fportfolio\u002Fsolr-fuzzy-suggester-und-solr-infix-suggester-abfrage-ueber-ajax-und-filterung",[],{"id":182,"title":183,"url":191,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":192},"item-27",{"de":184,"en":185,"es":186,"fr":187,"it":188,"ru":189,"sr":190,"zh":185},"Firmenwebseite SEO","Company Website SEO","Sitio web corporativo SEO","Site web d’entreprise SEO","Sito web aziendale SEO","Корпоративный сайт SEO","Пословна веб-страница SEO","\u002Fportfolio\u002Fseo-sem-branding-mobile-webseite-muenchen",[],{"id":194,"title":195,"url":203,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":204},"item-31",{"de":196,"en":197,"es":198,"fr":199,"it":200,"ru":201,"sr":202,"zh":197},"Digitalisierungsportal","Digitalization Portal","Portal de digitalización","Portail de numérisation","Portale di digitalizzazione","Портал цифровизации","Портал за дигитализацију","\u002Fportfolio\u002Fdigitalisierungsportal-archiv-museum-bibliothek-ead-lido-mets-mods",[],{"statusCode":4,"data":206,"message":3033},{"id":207,"title":208,"slug":209,"content":210,"contentJson":211,"excerpt":1407,"featuredImage":1408,"featuredImageAlt":1409,"featuredImageCaption":10,"featuredImageTitle":10,"featuredImageCopyright":10,"featuredImageAuthor":10,"featuredImageSourceUrl":10,"featuredImageLicense":10,"featuredImageIsAiGenerated":43,"status":1410,"publishedAt":1411,"createdAt":1412,"updatedAt":1413,"seoLocalePaths":1414,"categories":1423,"author":1436,"translations":1441},"488","¿Qué es la ingeniería de contexto? Lo que el modelo recibe antes de responder","what-is-context-engineering-what-the-model-receives-before-it-answers","\u003Cp>La ingeniería de contexto es el diseño de qué información recibe un modelo de lenguaje en el momento de la inferencia, en qué forma, en qué orden y durante cuánto tiempo. Es más amplia que la ingeniería de prompts porque el contexto del modelo puede incluir instrucciones del sistema, mensajes del usuario, documentos recuperados, resultados de herramientas, memoria, estado actual de la aplicación, ejemplos, datos estructurados y artefactos intermedios. El objetivo no es maximizar la cantidad de tokens, sino construir el contexto útil más pequeño que preserve la información, las restricciones y la evidencia necesarias para la tarea actual.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Respuesta directa\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">La ingeniería de prompts pregunta \u003Cstrong>¿cómo deberíamos instruir al modelo?\u003C\u002Fstrong> La ingeniería de contexto pregunta \u003Cstrong>¿qué debería saber el modelo en este momento y cómo debería ensamblarse esa información?\u003C\u002Fstrong>\u003Cbr>\u003Cbr>La recuperación, la memoria, la gestión de estado, el diseño de herramientas, el recorte del historial, la compactación y el ordenamiento son, por lo tanto, mecanismos de ingeniería de contexto cuando determinan los tokens disponibles para el modelo antes de que produzca la siguiente salida.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">El contexto no es lo mismo que el conocimiento o la memoria\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un sistema puede saber algo sin colocarlo en el contexto actual. Puede recordar algo fuera de la ventana del modelo. Puede recuperar un documento pero luego excluirlo del prompt final. El modelo solo puede usar directamente el contexto que llega a la inferencia actual.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Nota de fuente actual — 8 de octubre de 2026\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">La ingeniería de contexto es ahora terminología práctica establecida en las principales guías de ingeniería de IA, pero no es un único estándar formal con una arquitectura obligatoria. Anthropic la describe como la curación y el mantenimiento del conjunto óptimo de tokens para la inferencia; la guía actual de agentes de OpenAI trata el contexto de sesión, el recorte y la compresión como preocupaciones explícitas de ingeniería para sistemas de larga duración.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Contenido\">\u003Cstrong class=\"editorjs-toc__title\">Contenido\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-6\" class=\"editorjs-toc__link\">Qué significa realmente la ingeniería de contexto\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-10\" class=\"editorjs-toc__link\">El ejemplo más simple\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-15\" class=\"editorjs-toc__link\">Dónde se detiene el ejemplo simple\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-18\" class=\"editorjs-toc__link\">¿Qué puede entrar en un contexto de modelo?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-20\" class=\"editorjs-toc__link\">Ingeniería de contexto vs ingeniería de prompts\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-23\" class=\"editorjs-toc__link\">Ingeniería de contexto vs recuperación\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-28\" class=\"editorjs-toc__link\">Ingeniería de contexto vs memoria\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-33\" class=\"editorjs-toc__link\">Ingeniería de contexto vs estado de la aplicación\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-37\" class=\"editorjs-toc__link\">El diseño de herramientas es parte de la ingeniería de contexto\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-41\" class=\"editorjs-toc__link\">Contexto justo a tiempo vs contexto precargado\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-44\" class=\"editorjs-toc__link\">El contexto es un presupuesto, no un sistema de almacenamiento\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-48\" class=\"editorjs-toc__link\">Por qué más contexto puede ser peor\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-52\" class=\"editorjs-toc__link\">El orden del contexto debe ser intencional\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-56\" class=\"editorjs-toc__link\">El contexto en conflicto necesita una precedencia explícita\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-60\" class=\"editorjs-toc__link\">La compactación es transformación de contexto, no almacenamiento sin pérdida\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-65\" class=\"editorjs-toc__link\">Preservar los límites de validez\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-69\" class=\"editorjs-toc__link\">La ingeniería de contexto también es un límite de seguridad\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-73\" class=\"editorjs-toc__link\">Una arquitectura práctica de ingeniería de contexto\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-77\" class=\"editorjs-toc__link\">Una política práctica de construcción de contexto\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-79\" class=\"editorjs-toc__link\">Cómo evaluar la ingeniería de contexto\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-81\" class=\"editorjs-toc__link\">El ensamblado de contexto es una capa de fallo distinta en RAG\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-85\" class=\"editorjs-toc__link\">Evidencia de implementación original\u003C\u002Fa>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-1\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-86\" class=\"editorjs-toc__link\">Source of Truth Research Engine: investigación acotada en lugar de contexto ilimitado\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-90\" class=\"editorjs-toc__link\">Aaasaasa AI Client: tiempo de ejecución, permisos y contexto son preocupaciones separadas\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-96\" class=\"editorjs-toc__link\">Modos comunes de fallo en la ingeniería de contexto\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-98\" class=\"editorjs-toc__link\">Conceptos erróneos comunes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-100\" class=\"editorjs-toc__link\">Una secuencia práctica de ingeniería de contexto\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-102\" class=\"editorjs-toc__link\">Lista de verificación de ingeniería de contexto\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-104\" class=\"editorjs-toc__link\">Casos límite y limitaciones\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-110\" class=\"editorjs-toc__link\">¿Qué cambiaría esta respuesta?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-114\" class=\"editorjs-toc__link\">Conocimiento canónico relacionado\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-119\" class=\"editorjs-toc__link\">Preguntas frecuentes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-121\" class=\"editorjs-toc__link\">Glosario\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-123\" class=\"editorjs-toc__link\">Conclusión\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-127\" class=\"editorjs-toc__link\">Fuentes primarias y orientación actual\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-6\">Qué significa realmente la ingeniería de contexto\u003C\u002Fh2>\n\u003Cp>Cada llamada al modelo se realiza dentro de un entorno de trabajo temporal: las instrucciones actuales, los mensajes, la evidencia recuperada, las salidas de herramientas y el estado que caben en la ventana de contexto activa. La ingeniería de contexto es la disciplina de construir ese entorno de forma deliberada.\u003C\u002Fp>\n\u003Cp>La palabra clave es deliberada. Un sistema ingenuo simplemente concatena todo lo que tiene: historial completo, todos los documentos recuperados, cada respuesta de herramienta y grandes prompts de sistema. Un sistema con ingeniería de contexto decide qué información se requiere para la decisión actual y qué información debe permanecer fuera de la ventana hasta que sea necesaria.\u003C\u002Fp>\n\u003Cp>Esto hace que la ingeniería de contexto sea en parte un problema de arquitectura de la información, en parte un problema de tiempo de ejecución y en parte un problema de evaluación. El diseño debe decidir qué puede entrar en el contexto, de dónde proviene, qué versión es la actual, cómo se resuelven los conflictos, cuánto detalle se conserva y cómo se prueba el resultado.\u003C\u002Fp>\n\u003Ch2 id=\"section-10\">El ejemplo más simple\u003C\u002Fh2>\n\u003Cp>Imagina un asistente de soporte interno. Un usuario pregunta: «¿Puede este cliente cancelar sin penalización?»\u003C\u002Fp>\n\u003Cp>El modelo podría necesitar cinco cosas: la política de cancelación vigente, el tipo de contrato actual del cliente, la fecha efectiva del contrato, las reglas de excepción relevantes y el alcance de autorización del usuario.\u003C\u002Fp>\n\u003Cp>No necesita necesariamente toda la base de datos de clientes, el archivo completo de políticas, cada conversación anterior ni cada ticket de soporte. La ingeniería de contexto es el proceso que selecciona y ensambla las cinco piezas útiles mientras excluye la información no relacionada.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Del estado de la aplicación al contexto del modelo\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Comprender la tarea\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Clasificar qué requiere la pregunta actual y qué tipos de información pueden afectar la respuesta.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Resolver el estado autoritativo\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Leer el estado actual de la aplicación o del negocio que no debe adivinarse a partir de la memoria.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Recuperar conocimiento de apoyo\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Encontrar la política, los documentos o la evidencia externa relevante para la tarea específica.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Aplicar elegibilidad y permisos\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Excluir los datos que el usuario actual o el entorno de ejecución no tienen permitido exponer al modelo.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Reducir y estructurar\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Eliminar duplicación, seleccionar extractos útiles y preservar metadatos críticos, condiciones y excepciones.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Ordenar el contexto\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Colocar las instrucciones, el estado actual y la evidencia decisiva donde el modelo pueda usarlos de forma consistente.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Ejecutar la inferencia\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">El modelo recibe el contexto ensamblado y produce la siguiente respuesta o propuesta de acción.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-15\">Dónde se detiene el ejemplo simple\u003C\u002Fh2>\n\u003Cp>Los sistemas reales son más difíciles porque la información necesaria para un paso puede no conocerse antes de que comience la ejecución. Un agente puede descubrir nuevos hechos mediante herramientas, crear archivos intermedios, recibir estado externo cambiante o abarcar una tarea más larga que una ventana de contexto.\u003C\u002Fp>\n\u003Cp>Por lo tanto, la ingeniería de contexto se vuelve dinámica. El contexto para el paso 12 no debería ser simplemente el contexto del paso 1 más once capas de salida acumulada. Debería reflejar el estado actual de la tarea, las decisiones que aún importan y la evidencia requerida para la siguiente acción.\u003C\u002Fp>\n\u003Ch2 id=\"section-18\">¿Qué puede entrar en un contexto de modelo?\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Componente del contexto\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Propósito\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Riesgo típico\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Instrucciones del sistema \u002F desarrollador\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Definir rol, restricciones, políticas y comportamiento\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Demasiado vago, contradictorio o sobrecargado con lógica frágil\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Solicitud actual del usuario\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Define la tarea inmediata y la intención\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ambigüedad o conflicto con el historial previo\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Historial de conversación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Preserva la continuidad entre turnos\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Suposiciones obsoletas, repetición y crecimiento de tokens\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Documentos recuperados\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Proporcionar conocimiento\u002Fevidencia externa\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Irrelevancia, versiones obsoletas, autoridad débil o duplicación\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Estado actual de la aplicación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Proporciona hechos volátiles del negocio\u002Fsistema\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Usar estado en caché o recordado en lugar de la autoridad actual\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Definiciones de herramientas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Indican al modelo qué capacidades existen y cómo invocarlas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Demasiadas herramientas superpuestas o esquemas verbosos\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Resultados de herramientas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Traen observaciones del entorno al bucle\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Salidas grandes y ruidosas, contenido no confiable u observaciones obsoletas\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Memoria\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Reintroduce información seleccionada de interacciones previas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Obsolescencia, generalización incorrecta o sobrepersonalización\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ejemplos\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Demuestran el comportamiento deseado\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Demasiados casos límite pueden desplazar la tarea actual\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Artefactos intermedios\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Transportan planes, resúmenes, código, cálculos o notas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El estado intermedio antiguo puede confundirse con la verdad final\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Políticas \u002F barreras de protección\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Definir comportamiento prohibido o restringido\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Conflicto con la lógica de negocio o brechas de aplicación ocultas\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-20\">Ingeniería de contexto vs ingeniería de prompts\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">La ingeniería de prompts y la ingeniería de contexto resuelven capas diferentes\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Ingeniería de prompts\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Ingeniería de contexto\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Enfoque principal\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Alcance típico\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Cuándo cambia\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Fallo típico\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Relación\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Anthropic describe explícitamente la ingeniería de contexto como la progresión natural de la ingeniería de prompts para sistemas en los que el modelo debe trabajar con herramientas, datos externos, historial de mensajes y estado de agente de larga duración. La distinción práctica es útil porque un prompt perfectamente escrito no puede compensar la falta de datos autorizados o un contexto contaminado por estado contradictorio.\u003C\u002Fp>\n\u003Ch2 id=\"section-23\">Ingeniería de contexto vs recuperación\u003C\u002Fh2>\n\u003Cp>La recuperación selecciona información candidata de un corpus o fuente externa. La ingeniería de contexto decide qué sucede después y alrededor de esa recuperación.\u003C\u002Fp>\n\u003Cp>El recuperador puede devolver 30 pasajes. Un reranker puede reducirlos a 10. La capa de contexto puede seleccionar cuatro pasajes, eliminar duplicados, adjuntar metadatos de fuente\u002Fversión, combinarlos con el estado actual de la aplicación y colocarlos después de las instrucciones del sistema.\u003C\u002Fp>\n\u003Cp>Por eso un sistema RAG puede recuperar el pasaje correcto y aun así responder mal: el fallo puede ocurrir durante el ensamblaje del contexto en lugar de en la recuperación.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">La recuperación encuentra candidatos; la ingeniería de contexto construye la entrada del modelo\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">El resultado correcto de la recuperación solo es útil si sobrevive a las decisiones de filtrado, ordenación, compresión y presupuesto de tokens y realmente llega al modelo en una forma utilizable.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-28\">Ingeniería de contexto vs memoria\u003C\u002Fh2>\n\u003Cp>La memoria es información conservada fuera de la invocación inmediata del modelo para que pueda usarse de nuevo más tarde. El contexto es la información realmente cargada en la invocación actual.\u003C\u002Fp>\n\u003Cp>Un sistema de memoria puede contener miles de hechos, notas o decisiones previas. La ingeniería de contexto selecciona cuáles de ellos deben reintroducirse para la tarea actual. Cargar toda la memoria en cada turno anula el propósito de tener una capa de memoria externa.\u003C\u002Fp>\n\u003Cp>La distinción se vuelve crucial para el estado volátil. Un estado de proyecto o una preferencia de usuario recordados pueden ser útiles, pero puede ser necesario volver a leer el estado autorizado actual antes de una decisión trascendental.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">La memoria de agentes de IA no es RAG: cómo separar memoria, recuperación, estado y contexto\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Una arquitectura práctica que separa lo que persiste, lo que es autorizado ahora, lo que se recupera y lo que el modelo realmente recibe.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Leer el artículo sobre arquitectura de memoria →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-33\">Ingeniería de contexto vs estado de la aplicación\u003C\u002Fh2>\n\u003Cp>El estado de la aplicación es la condición actual del sistema externo: saldo de la cuenta, estado del ticket, versión del archivo, etapa del flujo de trabajo, estado de despliegue o progreso de la tarea.\u003C\u002Fp>\n\u003Cp>El estado puede resumirse en el contexto, pero el resumen no es el estado en sí. Para operaciones trascendentales, el entorno de ejecución puede necesitar volver a leer el sistema autorizado inmediatamente antes de la acción en lugar de confiar en una instantánea anterior visible para el modelo.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">El contexto es una instantánea\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Una vez que el estado se copia en un prompt, puede quedar obsoleto. La ingeniería de contexto debe definir cuándo el estado volátil necesita actualizarse y qué operaciones requieren una nueva lectura autorizada.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-37\">El diseño de herramientas es parte de la ingeniería de contexto\u003C\u002Fh2>\n\u003Cp>Las herramientas hacen más que dar capacidades a los agentes. Los nombres, las descripciones, los esquemas y los resultados de las herramientas se convierten en información visible para el modelo que moldea las decisiones.\u003C\u002Fp>\n\u003Cp>La guía actual de ingeniería de contexto de Anthropic enfatiza herramientas eficientes en tokens y advierte contra conjuntos de herramientas inflados con funcionalidad superpuesta. Un catálogo de herramientas que es difícil de distinguir para un humano también es difícil de enrutar de manera confiable para un modelo.\u003C\u002Fp>\n\u003Cp>Los resultados de las herramientas también necesitan disciplina de contexto. Devolver un registro completo de 20.000 líneas cuando el agente solicitó una condición de error consume atención y puede enterrar la evidencia decisiva.\u003C\u002Fp>\n\u003Ch2 id=\"section-41\">Contexto justo a tiempo vs contexto precargado\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Dos formas de suministrar información\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Contexto precargado\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Contexto justo a tiempo\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Método\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Fortaleza\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Riesgo\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Útil cuando\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Anthropic describe un patrón híbrido en el que se precarga algo de contexto estable mientras los agentes recuperan información adicional en tiempo de ejecución. Este es un patrón de arquitectura útil porque no todos los hechos importantes merecen residencia permanente en la ventana de contexto.\u003C\u002Fp>\n\u003Ch2 id=\"section-44\">El contexto es un presupuesto, no un sistema de almacenamiento\u003C\u002Fh2>\n\u003Cp>Una ventana de contexto define la capacidad. No garantiza que cada token se utilice igual de bien. El modelo debe distribuir la atención entre instrucciones, historial, evidencia, herramientas y estado intermedio.\u003C\u002Fp>\n\u003Cp>El objetivo práctico, por lo tanto, no es \"llenar la ventana\". Es maximizar la utilidad del presupuesto de atención limitado.\u003C\u002Fp>\n\u003Cp>Anthropic formula un principio similar como encontrar el conjunto más pequeño de tokens de alta señal que maximice la probabilidad del comportamiento deseado. La guía de gestión de contexto de OpenAI también advierte que el historial no curado, los resultados de herramientas redundantes y la recuperación ruidosa pueden abrumar incluso ventanas grandes.\u003C\u002Fp>\n\u003Ch2 id=\"section-48\">Por qué más contexto puede ser peor\u003C\u002Fh2>\n\u003Cp>El contexto adicional puede introducir información irrelevante, estado obsoleto, evidencia duplicada, instrucciones contradictorias o competencia posicional. También puede hacer que los sistemas de compactación descarten detalles que luego se vuelven importantes.\u003C\u002Fp>\n\u003Cp>El clásico estudio Lost in the Middle demostró que los modelos de contexto largo pueden usar la información de manera diferente según dónde aparezca el contenido relevante, con un rendimiento que a menudo se degrada cuando la información decisiva se coloca en el medio de entradas largas.\u003C\u002Fp>\n\u003Cp>Esto no significa que el contexto largo sea intrínsecamente malo. Significa que la disponibilidad dentro de la ventana no es lo mismo que la utilización confiable.\u003C\u002Fp>\n\u003Ch2 id=\"section-52\">El orden del contexto debe ser intencional\u003C\u002Fh2>\n\u003Cp>La construcción del contexto también es un problema de ordenamiento. Las instrucciones críticas, el estado actual, la evidencia decisiva y las restricciones específicas de la tarea no deben concatenarse arbitrariamente.\u003C\u002Fp>\n\u003Cp>No existe un ordenamiento perfecto universal para cada modelo y tarea. Por lo tanto, la arquitectura debe probar si reordenar la evidencia cambia la corrección y si la información importante permanece robusta a través de variaciones realistas del contexto.\u003C\u002Fp>\n\u003Cp>Una respuesta estable que cambia drásticamente cuando dos pasajes igualmente válidos intercambian posiciones indica una sensibilidad al contexto que debería medirse en lugar de ignorarse.\u003C\u002Fp>\n\u003Ch2 id=\"section-56\">El contexto en conflicto necesita una precedencia explícita\u003C\u002Fh2>\n\u003Cp>Un modelo puede recibir una política antigua y una nueva, una preferencia recordada y una instrucción explícita actual, o un estado en caché y un resultado de API en vivo. El sistema no debería esperar que el modelo infiera la precedencia a partir del estilo de la prosa.\u003C\u002Fp>\n\u003Cp>La ingeniería de contexto debería codificar la precedencia mediante la selección de fuentes, metadatos, ordenamiento o instrucciones explícitas: el estado autoritativo actual prevalece sobre copias obsoletas; una instrucción explícita actual del usuario prevalece sobre una preferencia inferida anterior; una política aprobada sustituye a borradores obsoletos.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Conflicto\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Regla de contexto preferida\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Estado actual vs estado recordado\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Actualizar y preferir la fuente autoritativa actual.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Política actual vs política sustituida\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Incluir la versión actual; conservar la versión antigua solo cuando se requiera comparación histórica.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Instrucción explícita del usuario vs preferencia inferida anterior\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Preferir la instrucción explícita actual.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Fuente primaria vs resumen secundario\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Usar la fuente primaria para afirmaciones que requieran autoridad; el resumen puede apoyar la explicación.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Observación de herramienta vs prior del modelo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Preferir el estado observado actual cuando la herramienta sea autoritativa para ese hecho.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Dos fuentes autoritativas no resueltas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Exponer el conflicto en lugar de fabricar una única respuesta consistente.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-60\">La compactación es transformación de contexto, no almacenamiento sin pérdida\u003C\u002Fh2>\n\u003Cp>Los sistemas de larga duración eventualmente necesitan recortar, resumir o compactar el historial. La compactación crea una nueva representación del contexto previo para que el agente pueda continuar sin reproducir cada token.\u003C\u002Fp>\n\u003Cp>Los ejemplos de gestión de contexto de OpenAI utilizan recorte y compresión para sesiones de larga duración. Anthropic describe la compactación como una técnica principal para mantener la coherencia cuando una interacción se acerca al límite de contexto.\u003C\u002Fp>\n\u003Cp>La parte difícil es decidir qué no se puede eliminar de forma segura: tareas no resueltas, identificadores, restricciones del usuario, límites de seguridad, decisiones de arquitectura, excepciones, procedencia de las fuentes y las condiciones que hacen válida una conclusión previa.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Un resumen puede preservar la conclusión y destruir la razón\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Si la compactación conserva «usar el enfoque X» pero descarta por qué se eligió X, qué versión se probó o qué condición lo invalidaría, las respuestas posteriores pueden seguir siendo internamente consistentes mientras se vuelven externamente incorrectas.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-65\">Preservar los límites de validez\u003C\u002Fh2>\n\u003Cp>Las conclusiones importantes deberían llevar las condiciones bajo las cuales siguen siendo respaldadas: versión, fecha, alcance, supuestos, autoridad de la fuente y desacuerdo no resuelto.\u003C\u002Fp>\n\u003Cp>La ingeniería de contexto está, por lo tanto, conectada con el Límite de Validez de la Respuesta. El ensamblador de contexto no debería eliminar los metadatos que determinan si la evidencia sigue siendo aplicable.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">El Límite de Validez de la Respuesta: La Capa Faltante Entre la Relevancia y las Respuestas de IA Confiables\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Un marco para preservar el alcance, los supuestos, las versiones y las condiciones de evidencia bajo las cuales una afirmación de IA sigue siendo respaldada.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Leer El Límite de Validez de la Respuesta →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-69\">La ingeniería de contexto también es un límite de seguridad\u003C\u002Fh2>\n\u003Cp>Los datos que llegan al modelo han cruzado un límite importante del sistema. Por lo tanto, el ensamblaje de contexto debe respetar la autorización, el aislamiento entre inquilinos, la confidencialidad y las reglas de minimización de datos.\u003C\u002Fp>\n\u003Cp>Un recuperador puede encontrar técnicamente un pasaje al que el usuario actual no puede acceder. El diseño correcto es impedir que ese pasaje entre en el contexto del modelo en lugar de confiar en que el modelo lo ignore.\u003C\u002Fp>\n\u003Cp>Las salidas de herramientas también pueden contener instrucciones no confiables o contenido adversario. La ingeniería de contexto debería preservar la distinción entre las instrucciones de la aplicación y los datos externos para que el texto recuperado no pueda adquirir silenciosamente autoridad de instrucción.\u003C\u002Fp>\n\u003Ch2 id=\"section-73\">Una arquitectura práctica de ingeniería de contexto\u003C\u002Fh2>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Modelo de arquitectura propuesto\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Las siguientes capas son una síntesis práctica para sistemas de producción, no un estándar formal de la industria. El propósito es mantener la propiedad de la información separada del contexto temporal orientado al modelo.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Capa\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Responsabilidad\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Sistemas autoritativos\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Poseen el estado actual del negocio\u002Fsistema y los registros oficiales.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Fuentes de conocimiento\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Poseen documentos, políticas, especificaciones, investigación o evidencia externa.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Almacén de memoria\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Preserva información seleccionada a través de turnos o sesiones.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Capa de recuperación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Localiza candidatos relevantes para la tarea desde fuentes externas.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Capa de herramientas\u002Ftiempo de ejecución\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Lee el estado, realiza acciones y devuelve observaciones.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ensamblador de contexto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Selecciona, filtra, deduplica, ordena y formatea la información visible para el modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modelo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Razona y genera sobre el contexto ensamblado.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Validación\u002Fevaluación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verifica si el contexto seleccionado y la salida resultante satisfacen los requisitos específicos de la tarea.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>El ensamblador de contexto es conceptualmente importante incluso cuando ningún módulo tiene ese nombre exacto. En una aplicación pequeña puede ser código de aplicación ordinario. En una plataforma de agentes grande puede combinar gestión de sesiones, recuperación, memoria, middleware de herramientas, compactación y aplicación de políticas.\u003C\u002Fp>\n\u003Ch2 id=\"section-77\">Una política práctica de construcción de contexto\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Regla\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Por qué importa\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Comenzar desde la tarea actual\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">No arrastrar información meramente porque existía antes.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Releer el estado volátil\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La memoria y el contexto antiguo pueden estar desactualizados.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Recuperar solo la evidencia suficiente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Los conjuntos grandes de candidatos pueden diluir la información decisiva.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Preservar los metadatos de origen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La versión, la fecha y la autoridad determinan si la evidencia sigue siendo aplicable.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eliminar contenido duplicado\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La redundancia consume tokens sin agregar información.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Preferir resúmenes estructurados para salidas grandes de herramientas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Exponer campos decisivos en lugar de ruido bruto cuando la fidelidad lo permita.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mantener las reglas junto con sus excepciones\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Separar una regla de su excepción crea una falsa certeza.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Hacer explícita la precedencia\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">No pedirle al modelo que infiera qué fuente en conflicto prevalece.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mantener el estado duradero fuera del contexto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El contexto es memoria de trabajo temporal, no la base de datos.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Compactar con pruebas de retención\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verificar que los identificadores, restricciones, procedencia y estado no resuelto sobrevivan.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Medir la sensibilidad al orden\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La corrección no debería depender accidentalmente de un orden de documentos arbitrario.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Evaluar el contexto por separado de la calidad del modelo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un modelo más fuerte no puede compensar de manera confiable la falta de evidencia o la evidencia no autorizada.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-79\">Cómo evaluar la ingeniería de contexto\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Propiedad\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Pregunta\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Prueba de ejemplo\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Suficiencia\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿El contexto contiene todo lo necesario para resolver la tarea?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eliminar un elemento de evidencia y observar si la respuesta queda sin sustento.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Relevancia\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Cuánto contexto es innecesario para la tarea?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Medir la calidad a medida que se agregan o eliminan pasajes irrelevantes.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autoridad\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Las afirmaciones decisivas están fundamentadas en la clase de fuente correcta?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Inyectar una fuente conflictiva más fluida pero no autoritativa.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Actualidad\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿El estado actual anula las copias obsoletas?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Cambiar el estado autoritativo después de un turno previo y volver a ejecutar.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Robustez posicional\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿La calidad de la respuesta depende fuertemente de la posición de la evidencia?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aleatorizar el orden de los candidatos en ensayos repetidos.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Manejo de conflictos\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿El modelo sigue reglas de precedencia explícitas?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Presentar el estado antiguo y el nuevo juntos.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Retención en la compactación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿La summarización preserva las restricciones y los límites de validez?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Comparar el rendimiento en la tarea antes y después de la compactación.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eficiencia de tokens\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿El contexto adicional mejora la calidad lo suficiente como para justificar la latencia\u002Fcosto?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ejecutar ablaciones controladas del tamaño del contexto.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Seguridad\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Puede contenido no autorizado o adversarial ingresar al contexto del modelo?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Probar los límites de inquilino, permisos e inyección de prompts.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-81\">El ensamblado de contexto es una capa de fallo distinta en RAG\u003C\u002Fh2>\n\u003Cp>Un pipeline de RAG puede tener éxito en la recuperación y aun así fallar en etapas posteriores. La fuente relevante puede aparecer en el rango 2, pero el ensamblador de contexto puede descartarla, truncarla, combinarla con material obsoleto contradictorio o exceder el presupuesto de tokens.\u003C\u002Fp>\n\u003Cp>Por eso las trazas de recuperación deben compararse con el contexto real enviado al modelo. Sin esa comparación, los fallos de contexto se diagnostican fácilmente como fallos de embeddings o del modelo.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Frag-failed-but-which-layer-actually-failed-a-diagnostic-method\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">RAG falló — pero ¿qué capa falló realmente? Un método de diagnóstico\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Un enfoque capa por capa para separar fallos de cobertura de fuentes, recuperación, ranking, ensamblado de contexto, generación, atribución de evidencia y actualidad.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Leer el método de diagnóstico de RAG →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-85\">Evidencia de implementación original\u003C\u002Fh2>\n\u003Ch3 id=\"section-86\">Source of Truth Research Engine: investigación acotada en lugar de contexto ilimitado\u003C\u002Fh3>\n\u003Cp>El Source of Truth Research Engine separa el descubrimiento, la adquisición, la extracción, la verificación, el análisis de contradicciones y la síntesis en etapas de investigación acotadas, en lugar de enviar una enorme tarea de investigación y todo el material acumulado en una sola llamada al modelo.\u003C\u002Fp>\n\u003Cp>Su modelo de evidencia almacena Sources, Artifacts, Claims, Relations, Contradictions y procedencia fuera del contexto del modelo. El modelo puede recibir el subconjunto necesario para el paso de investigación actual, mientras que la evidencia duradera permanece en el almacén externo.\u003C\u002Fp>\n\u003Cp>Ese es un patrón concreto de ingeniería de contexto: el estado de investigación duradero vive fuera de la ventana del modelo; el contexto activo del modelo se reconstruye para la etapa actual.\u003C\u002Fp>\n\u003Ch3 id=\"section-90\">Aaasaasa AI Client: tiempo de ejecución, permisos y contexto son preocupaciones separadas\u003C\u002Fh3>\n\u003Cp>Aaasaasa AI Client separa la selección de proveedor\u002Fmodelo, la ubicación de ejecución, los permisos del espacio de trabajo, los recursos locales y el acceso a herramientas. Esto evita que el contexto del modelo se convierta en el propietario de la autorización o del estado de la aplicación.\u003C\u002Fp>\n\u003Cp>El Chat directo y los entornos de ejecución agénticos pueden tener diferentes capacidades de herramientas. Los perfiles de permisos del espacio de trabajo son aplicados por el entorno de ejecución en lugar de simplemente describirse en un contexto en lenguaje natural. Esta distinción es importante: el contexto puede decirle a un modelo lo que debería hacer, mientras que el entorno de ejecución aún debe hacer cumplir lo que realmente se le permite hacer.\u003C\u002Fp>\n\u003Cp>La evidencia de implementación aquí es la separación arquitectónica, no una afirmación de que cada técnica avanzada de gestión de contexto descrita en este artículo ya esté implementada.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Patrón de implementación\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Lección de ingeniería de contexto\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Almacén de evidencia externo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El conocimiento duradero no necesita permanecer en la ventana del modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Etapas de investigación acotadas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Diferentes pasos pueden recibir diferente contexto en lugar de acumular un historial gigante.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Afirmaciones + procedencia fuera del contexto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La identidad de la evidencia sobrevive más allá del estado de inferencia temporal.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Permisos aplicados por el entorno de ejecución\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La autoridad de seguridad no depende de que el modelo recuerde una instrucción.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Conceptos separados de local\u002Fproveedor\u002Fmodelo\u002Fentorno de ejecución\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El contexto es solo una capa de la arquitectura más amplia de la aplicación de IA.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Límite de la evidencia\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Estas implementaciones respaldan la separación arquitectónica entre estado duradero, recuperación, controles del entorno de ejecución y contexto orientado al modelo. No se presentan como prueba de referencia de que una estrategia de contexto sea universalmente óptima.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-96\">Modos comunes de fallo en la ingeniería de contexto\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Modo de fallo\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Qué sale mal\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Reproducir toda la conversación para siempre\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Las suposiciones antiguas, la repetición y el crecimiento de tokens abruman la intención actual.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Poner cada resultado recuperado en el prompt\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El ruido, la duplicación y las versiones en conflicto diluyen la evidencia decisiva.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Usar la memoria como estado actual\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La información obsoleta reemplaza silenciosamente el estado en vivo autoritativo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Devolver la salida cruda de la herramienta\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Los registros o respuestas grandes consumen atención sin aportar valor de decisión.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ocultar las descripciones de herramientas tras nombres vagos\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo no puede decidir de forma fiable qué capacidad usar.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Compactar sin pruebas de retención\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Restricciones críticas, identificadores o excepciones desaparecen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mezclar instrucciones y datos no confiables\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El contenido externo puede interpretarse como una instrucción de mayor autoridad.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Usar una plantilla de contexto estática para cada tarea\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Diferentes tareas reciben información irrelevante y pierden evidencia específica de la tarea.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ignorar la versión\u002Ffecha de la fuente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La evidencia obsoleta pero relevante puede dominar el estado autoritativo actual.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tratar una ventana de contexto más grande como garantía de calidad\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La capacidad aumenta mientras los problemas de atención y conflicto permanecen.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-98\">Conceptos erróneos comunes\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Concepto erróneo\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Corrección\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“La ingeniería de contexto es solo ingeniería de prompts con un nuevo nombre.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Los prompts son un componente; la ingeniería de contexto también abarca recuperación, memoria, estado, resultados de herramientas, historial y compactación.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Contexto significa historial de chat.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El historial es solo una posible fuente de contexto.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Más contexto siempre es mejor.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La información adicional puede reducir la señal, introducir conflictos y aumentar el costo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Si la recuperación lo encontró, el modelo lo vio.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Los candidatos recuperados pueden filtrarse, truncarse u omitirse antes de la inferencia.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“El contexto largo elimina la necesidad de RAG.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Las ventanas grandes aumentan la capacidad pero no resuelven la frescura, la autoridad, los permisos o la recuperación dinámica.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“La memoria siempre debe cargarse.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La memoria debe seleccionarse según la tarea actual.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Un resumen preserva todo lo importante.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La compactación es con pérdida a menos que se evalúe explícitamente para la retención.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Las instrucciones pueden hacer cumplir los permisos.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La autorización debe ser aplicada por controles del entorno de ejecución\u002Faplicación, no solo por el contexto.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Una receta de contexto funciona para cada modelo.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La sensibilidad al contexto varía según el modelo, la tarea, el corpus y el entorno de ejecución.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“La ingeniería de contexto es solo para agentes.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Los agentes amplifican la necesidad, pero las aplicaciones ordinarias de RAG y conversacionales también requieren construcción de contexto.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-100\">Una secuencia práctica de ingeniería de contexto\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Construir el contexto desde la decisión actual hacia atrás\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Definir la próxima decisión del modelo\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Especificar qué debe responder, clasificar, planificar o elegir el modelo en este paso.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Identificar hechos y restricciones requeridos\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Enumerar el estado, las reglas, la evidencia y las instrucciones mínimas que pueden cambiar materialmente el resultado.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Resolver autoridad y permisos\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Determinar qué fuentes son actuales, autoritativas y accesibles para el principal actual.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Recuperar o leer bajo demanda\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Adquirir la evidencia necesaria y el estado volátil en lugar de depender de un contexto obsoleto.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Reducir el ruido\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Deduplicar, resumir o seleccionar pasajes sin descartar excepciones decisivas o procedencia.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Estructurar y ordenar\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Hacer distinguibles las instrucciones, el estado actual, la evidencia y las observaciones de herramientas.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Ajustar al presupuesto de tokens\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Preferir contexto de alta señal y mover la información duradera fuera de la ventana.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Ejecutar el modelo\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Ejecutar la inferencia sobre el contexto ensamblado.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">9\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">9. Observar fallos\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Capturar si el problema provino de un contexto faltante, obsoleto, ruidoso, conflictivo o mal ordenado.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">10\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">10. Reevaluar tras cambios de modelo\u002Fentorno de ejecución\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Una estrategia de contexto solo es válida para los modelos, herramientas y cargas de trabajo en los que se probó.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-102\">Lista de verificación de ingeniería de contexto\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Pregunta\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Respuesta esperada\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué decisión exacta tomará el modelo a continuación?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Una tarea acotada, no un objetivo vago a largo plazo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué información puede cambiar materialmente esa decisión?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Conjunto mínimo explícito de evidencia\u002Festado.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué datos son autoritativos ahora?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Fuente\u002Fversión actual y regla de frescura.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué datos son contexto opcional?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Separados de la evidencia decisiva.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué no debe entrar en el contexto?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Datos no autorizados, innecesarios o demasiado sensibles.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué elementos de memoria son relevantes?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Seleccionados por tarea, no reproducidos automáticamente.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué salidas de herramientas deben reducirse?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Las respuestas grandes se transforman en una forma relevante para la decisión.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué restricciones deben sobrevivir a la compactación?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Identificadores, excepciones, obligaciones, estado no resuelto y procedencia.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Cómo se representa la precedencia?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La información actual\u002Fautoritativa puede anular de forma fiable fuentes obsoletas o más débiles.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Cómo sabrás que el contexto falló?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Existen evaluaciones y rastreos específicos del contexto.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Se puede reproducir la respuesta?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La entrada del modelo o un rastreo de contexto reconstruible está disponible cuando corresponde.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Puede un modelo más fuerte o más grande cambiar la estrategia?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La política de contexto está consciente de la versión y se reevalúa empíricamente.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-104\">Casos límite y limitaciones\u003C\u002Fh2>\n\u003Cp>Algunas tareas son lo suficientemente simples como para que la ingeniería de contexto se reduzca a un prompt de sistema corto y un mensaje de usuario. Agregar recuperación, memoria y compactación solo introduciría arquitectura innecesaria.\u003C\u002Fp>\n\u003Cp>Algunas tareas requieren alta recuperación y pueden incluir intencionalmente más contexto antes de una síntesis posterior. La investigación, el descubrimiento y la revisión legal pueden preferir evitar omisiones por encima del conteo mínimo de tokens.\u003C\u002Fp>\n\u003Cp>Alguna información nunca debe resumirse antes de usarse. Los contratos exactos, el código, el material criptográfico, los registros numéricos y el texto regulatorio pueden requerir recuperación literal o estructurada donde la compresión podría alterar el significado.\u003C\u002Fp>\n\u003Cp>El comportamiento de contexto largo varía sustancialmente entre modelos. Una estrategia validada en un modelo, longitud de contexto o arnés de herramientas no debe transferirse automáticamente a otro.\u003C\u002Fp>\n\u003Cp>El modelo aún puede ignorar o malinterpretar un contexto excelente. La ingeniería de contexto mejora el entorno de información; no garantiza la corrección del razonamiento.\u003C\u002Fp>\n\u003Ch2 id=\"section-110\">¿Qué cambiaría esta respuesta?\u003C\u002Fh2>\n\u003Cp>Los modelos futuros pueden volverse más robustos ante contextos largos, efectos posicionales e información conflictiva. Eso podría reducir la cantidad de curación manual requerida.\u003C\u002Fp>\n\u003Cp>La distinción arquitectónica seguiría siendo útil porque los permisos, la frescura, la persistencia de memoria, la autoridad de la fuente y el estado de la aplicación externa existen fuera del modelo independientemente del tamaño de la ventana de contexto.\u003C\u002Fp>\n\u003Cp>El equilibrio recomendado entre contexto precargado y contexto justo a tiempo también cambia según los requisitos de latencia, la fiabilidad de las herramientas, el tamaño del corpus, el costo del modelo y cuán dinámica es la información subyacente.\u003C\u002Fp>\n\u003Ch2 id=\"section-114\">Conocimiento canónico relacionado\u003C\u002Fh2>\n\u003Cp>La ingeniería de contexto se sitúa entre la recuperación y la generación. RAG explica cómo se recupera el conocimiento externo; R01 separa embeddings, búsqueda vectorial y reranking; la ingeniería de contexto explica qué llega finalmente al modelo.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">¿Qué es RAG? La explicación más simple de cómo funciona\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">La base de recuperación para entender cómo se puede proporcionar conocimiento externo a un modelo antes de la generación.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Leer la base de RAG →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Cp>La arquitectura de fuente de verdad responde a una pregunta diferente: no qué información está presente en el contexto, sino qué fuente está autorizada para establecer una afirmación.\u003C\u002Fp>\n\u003Cp>El artículo existente Por qué más contexto puede empeorar las respuestas de la IA es el complemento diagnóstico de esta definición canónica. Se centra en la contaminación del contexto, los efectos posicionales, el crecimiento de top-k, la pérdida por compactación y la degradación de las respuestas en lugar de redefinir la ingeniería de contexto en sí.\u003C\u002Fp>\n\u003Ch2 id=\"section-119\">Preguntas frecuentes\u003C\u002Fh2>\n\u003Csection class=\"editorjs-faq my-6 rounded-xl border border-gray-200 p-5 dark:border-gray-700\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Preguntas frecuentes sobre ingeniería de contexto\u003C\u002Fh3>\u003Cdiv id=\"faq1\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Qué es la ingeniería de contexto?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">La ingeniería de contexto es el diseño y la gestión en tiempo de ejecución de qué información recibe un modelo de lenguaje en el momento de la inferencia, incluidas instrucciones, historial, evidencia recuperada, memoria, estado, herramientas y resultados de herramientas.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq2\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿En qué se diferencia la ingeniería de contexto de la ingeniería de prompts?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">La ingeniería de prompts se centra en cómo se escriben las instrucciones y los ejemplos. La ingeniería de contexto incluye los prompts, pero también decide qué información externa, estado, historial, memoria y observaciones de herramientas se colocan a su alrededor.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq3\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿RAG es lo mismo que la ingeniería de contexto?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. RAG recupera información externa. La ingeniería de contexto decide cómo se filtra la información recuperada, cómo se combina con otro estado y cómo se entrega realmente al modelo.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq4\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Memoria es lo mismo que contexto?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. La memoria persiste información fuera de la llamada actual al modelo. El contexto es el subconjunto de información cargado en la inferencia actual.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq5\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Por qué más contexto puede empeorar una respuesta?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">El contexto adicional puede introducir ruido, estado obsoleto, evidencia conflictiva, duplicación y competencia posicional. Una gran capacidad de contexto no garantiza un uso igualmente fiable de cada token.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq6\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Qué es la compactación de contexto?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">La compactación resume o transforma el historial acumulado en una representación más pequeña para que un sistema de larga duración pueda continuar sin reproducir cada token anterior.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq7\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Debería almacenarse el estado actual de la aplicación en el contexto?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Puede representarse en el contexto para el razonamiento, pero las operaciones consecuentes a menudo deberían volver a leer la fuente autoritativa porque las instantáneas del contexto pueden quedar obsoletas.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq8\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Solo se necesita la ingeniería de contexto para agentes de IA?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. Los agentes hacen que la gestión del contexto sea más dinámica, pero los sistemas RAG, asistentes, copilotos y aplicaciones multiturno también necesitan una construcción deliberada del contexto.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-121\">Glosario\u003C\u002Fh2>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Términos clave de ingeniería de contexto\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"context-engineering\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Ingeniería de contexto\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">El diseño y la gestión en tiempo de ejecución de la información suministrada a un modelo de lenguaje para un paso de inferencia concreto.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"context-window\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Ventana de contexto\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">La capacidad finita de tokens del modelo para la entrada y, según la interfaz del modelo, los tokens generados asociados o la secuencia activa.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"prompt-engineering\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Ingeniería de prompts\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">El diseño de instrucciones, ejemplos y estructura de prompts destinado a elicitar un comportamiento útil del modelo.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"context-assembly\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Ensamblaje de contexto\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">El proceso de seleccionar, filtrar, ordenar y formatear la información visible para el modelo antes de la inferencia.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"just-in-time-retrieval\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Recuperación justo a tiempo\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Cargar información de forma dinámica cuando la tarea actual la requiere en lugar de precargar todos los datos potencialmente relevantes.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"compaction\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Compactación\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Reducir el contexto acumulado a una representación más pequeña mientras se intenta preservar la información necesaria para pasos futuros.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"context-pollution\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Contaminación del contexto\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Degradación causada por información irrelevante, obsoleta, contradictoria o redundante que ocupa el contexto de trabajo del modelo.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"application-state\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Estado de la aplicación\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">La condición autoritativa actual del sistema externo, flujo de trabajo o dominio que existe independientemente del contexto del modelo.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"memory\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Memoria\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Información almacenada fuera de la invocación inmediata del modelo para su posible uso en turnos o sesiones posteriores.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"retrieved-context\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Contexto recuperado\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Información externa seleccionada por un sistema de recuperación y puesta a disposición, total o parcialmente, del modelo.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"position-robustness\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Robustez posicional\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">El grado en que la corrección del modelo permanece estable cuando cambia la ubicación o el orden del contexto relevante.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"validity-boundary\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Límite de validez\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">El alcance, tiempo, supuestos, versiones y condiciones de evidencia dentro de los cuales una conclusión sigue estando respaldada.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Ch2 id=\"section-123\">Conclusión\u003C\u002Fh2>\n\u003Cp>La ingeniería de contexto es la capa que decide qué llega a ver el modelo antes de responder. Eso la hace más amplia que el prompting y posterior a la recuperación, a la vez que permanece distinta de la memoria duradera y del estado autoritativo de la aplicación.\u003C\u002Fp>\n\u003Cp>Una arquitectura de contexto sólida no trata la ventana de contexto como una base de datos. Mantiene el estado duradero y el conocimiento fuera del modelo, carga lo necesario para la decisión actual, preserva la autoridad y la procedencia, elimina el ruido innecesario y actualiza la información volátil cuando es necesario.\u003C\u002Fp>\n\u003Cp>El objetivo práctico, por tanto, no es el máximo contexto. Es el contexto mínimo suficiente, de alta señal, correctamente autorizado y que preserva la validez para la siguiente decisión del modelo.\u003C\u002Fp>\n\u003Ch2 id=\"section-127\">Fuentes primarias y orientación actual\u003C\u002Fh2>\n\u003Cp>Las fuentes a continuación respaldan la terminología actual de ingeniería de contexto, el comportamiento de contexto largo y los patrones operativos de gestión de contexto. Las secciones del proyecto son evidencia de implementación explícita en lugar de afirmaciones universales.\u003C\u002Fp>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Ingeniería de contexto efectiva para agentes de IA\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientación oficial de ingeniería que define la ingeniería de contexto, la recuperación justo a tiempo, la compactación, la memoria estructurada y la curación de contexto para agentes.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Ingeniería de contexto: Gestión de memoria a corto plazo con sesiones\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientación oficial de cookbook sobre gestión de contexto, recorte y compresión para sesiones de agentes de larga duración.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Guía de agentes\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientación actual para desarrolladores de OpenAI sobre tiempos de ejecución de agentes, contexto entre pasos y propiedad de la orquestación.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.03172\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Perdido en el medio: Cómo los modelos de lenguaje utilizan contextos largos\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Investigación que muestra que el rendimiento de los modelos de contexto largo puede depender en gran medida de la posición de la información relevante en la entrada.\u003C\u002Fp>\u003C\u002Fa>",{"time":212,"blocks":213,"version":1406},1791480822712,[214,220,228,235,242,250,255,260,265,270,275,280,285,290,319,324,329,334,339,393,398,433,438,443,448,453,458,465,470,475,480,485,494,499,504,509,515,520,525,530,535,540,569,574,579,584,589,594,599,604,609,614,619,624,629,634,639,644,649,675,680,685,690,695,701,706,711,716,724,729,734,739,744,749,755,787,792,797,841,846,891,896,901,906,914,919,924,929,934,939,944,949,954,959,982,988,993,1031,1036,1074,1079,1115,1120,1163,1168,1173,1178,1183,1188,1193,1198,1203,1208,1213,1218,1223,1231,1236,1241,1246,1284,1289,1339,1344,1349,1354,1359,1364,1369,1379,1388,1397],{"id":215,"data":216,"type":218,"tunes":219},"intro",{"text":217},"La ingeniería de contexto es el diseño de qué información recibe un modelo de lenguaje en el momento de la inferencia, en qué forma, en qué orden y durante cuánto tiempo. Es más amplia que la ingeniería de prompts porque el contexto del modelo puede incluir instrucciones del sistema, mensajes del usuario, documentos recuperados, resultados de herramientas, memoria, estado actual de la aplicación, ejemplos, datos estructurados y artefactos intermedios. El objetivo no es maximizar la cantidad de tokens, sino construir el contexto útil más pequeño que preserve la información, las restricciones y la evidencia necesarias para la tarea actual.","paragraph",{},{"id":221,"data":222,"type":226,"tunes":227},"direct",{"body":223,"title":224,"variant":225},"La ingeniería de prompts pregunta \u003Cstrong>¿cómo deberíamos instruir al modelo?\u003C\u002Fstrong> La ingeniería de contexto pregunta \u003Cstrong>¿qué debería saber el modelo en este momento y cómo debería ensamblarse esa información?\u003C\u002Fstrong>\u003Cbr>\u003Cbr>La recuperación, la memoria, la gestión de estado, el diseño de herramientas, el recorte del historial, la compactación y el ordenamiento son, por lo tanto, mecanismos de ingeniería de contexto cuando determinan los tokens disponibles para el modelo antes de que produzca la siguiente salida.","Respuesta directa","info","callout",{},{"id":229,"data":230,"type":226,"tunes":234},"boundary",{"body":231,"title":232,"variant":233},"Un sistema puede saber algo sin colocarlo en el contexto actual. Puede recordar algo fuera de la ventana del modelo. Puede recuperar un documento pero luego excluirlo del prompt final. El modelo solo puede usar directamente el contexto que llega a la inferencia actual.","El contexto no es lo mismo que el conocimiento o la memoria","warning",{},{"id":236,"data":237,"type":226,"tunes":241},"current",{"body":238,"title":239,"variant":240},"La ingeniería de contexto es ahora terminología práctica establecida en las principales guías de ingeniería de IA, pero no es un único estándar formal con una arquitectura obligatoria. Anthropic la describe como la curación y el mantenimiento del conjunto óptimo de tokens para la inferencia; la guía actual de agentes de OpenAI trata el contexto de sesión, el recorte y la compresión como preocupaciones explícitas de ingeniería para sistemas de larga duración.","Nota de fuente actual — 8 de octubre de 2026","note",{},{"id":243,"data":244,"type":248,"tunes":249},"toc",{"title":245,"maxLevel":246,"minLevel":247},"Contenido",3,2,"tableOfContents",{},{"id":251,"data":252,"type":42,"tunes":254},"h-meaning",{"text":253,"level":247},"Qué significa realmente la ingeniería de contexto",{},{"id":256,"data":257,"type":218,"tunes":259},"p-meaning-1",{"text":258},"Cada llamada al modelo se realiza dentro de un entorno de trabajo temporal: las instrucciones actuales, los mensajes, la evidencia recuperada, las salidas de herramientas y el estado que caben en la ventana de contexto activa. La ingeniería de contexto es la disciplina de construir ese entorno de forma deliberada.",{},{"id":261,"data":262,"type":218,"tunes":264},"p-meaning-2",{"text":263},"La palabra clave es deliberada. Un sistema ingenuo simplemente concatena todo lo que tiene: historial completo, todos los documentos recuperados, cada respuesta de herramienta y grandes prompts de sistema. Un sistema con ingeniería de contexto decide qué información se requiere para la decisión actual y qué información debe permanecer fuera de la ventana hasta que sea necesaria.",{},{"id":266,"data":267,"type":218,"tunes":269},"p-meaning-3",{"text":268},"Esto hace que la ingeniería de contexto sea en parte un problema de arquitectura de la información, en parte un problema de tiempo de ejecución y en parte un problema de evaluación. El diseño debe decidir qué puede entrar en el contexto, de dónde proviene, qué versión es la actual, cómo se resuelven los conflictos, cuánto detalle se conserva y cómo se prueba el resultado.",{},{"id":271,"data":272,"type":42,"tunes":274},"h-simple",{"text":273,"level":247},"El ejemplo más simple",{},{"id":276,"data":277,"type":218,"tunes":279},"p-simple-1",{"text":278},"Imagina un asistente de soporte interno. Un usuario pregunta: «¿Puede este cliente cancelar sin penalización?»",{},{"id":281,"data":282,"type":218,"tunes":284},"p-simple-2",{"text":283},"El modelo podría necesitar cinco cosas: la política de cancelación vigente, el tipo de contrato actual del cliente, la fecha efectiva del contrato, las reglas de excepción relevantes y el alcance de autorización del usuario.",{},{"id":286,"data":287,"type":218,"tunes":289},"p-simple-3",{"text":288},"No necesita necesariamente toda la base de datos de clientes, el archivo completo de políticas, cada conversación anterior ni cada ticket de soporte. La ingeniería de contexto es el proceso que selecciona y ensambla las cinco piezas útiles mientras excluye la información no relacionada.",{},{"id":291,"data":292,"type":317,"tunes":318},"simple-flow",{"steps":293,"title":315,"orientation":316},[294,297,300,303,306,309,312],{"label":295,"description":296},"1. Comprender la tarea","Clasificar qué requiere la pregunta actual y qué tipos de información pueden afectar la respuesta.",{"label":298,"description":299},"2. Resolver el estado autoritativo","Leer el estado actual de la aplicación o del negocio que no debe adivinarse a partir de la memoria.",{"label":301,"description":302},"3. Recuperar conocimiento de apoyo","Encontrar la política, los documentos o la evidencia externa relevante para la tarea específica.",{"label":304,"description":305},"4. Aplicar elegibilidad y permisos","Excluir los datos que el usuario actual o el entorno de ejecución no tienen permitido exponer al modelo.",{"label":307,"description":308},"5. Reducir y estructurar","Eliminar duplicación, seleccionar extractos útiles y preservar metadatos críticos, condiciones y excepciones.",{"label":310,"description":311},"6. Ordenar el contexto","Colocar las instrucciones, el estado actual y la evidencia decisiva donde el modelo pueda usarlos de forma consistente.",{"label":313,"description":314},"7. Ejecutar la inferencia","El modelo recibe el contexto ensamblado y produce la siguiente respuesta o propuesta de acción.","Del estado de la aplicación al contexto del modelo","auto","processFlow",{},{"id":320,"data":321,"type":42,"tunes":323},"h-stops",{"text":322,"level":247},"Dónde se detiene el ejemplo simple",{},{"id":325,"data":326,"type":218,"tunes":328},"p-stops-1",{"text":327},"Los sistemas reales son más difíciles porque la información necesaria para un paso puede no conocerse antes de que comience la ejecución. Un agente puede descubrir nuevos hechos mediante herramientas, crear archivos intermedios, recibir estado externo cambiante o abarcar una tarea más larga que una ventana de contexto.",{},{"id":330,"data":331,"type":218,"tunes":333},"p-stops-2",{"text":332},"Por lo tanto, la ingeniería de contexto se vuelve dinámica. El contexto para el paso 12 no debería ser simplemente el contexto del paso 1 más once capas de salida acumulada. Debería reflejar el estado actual de la tarea, las decisiones que aún importan y la evidencia requerida para la siguiente acción.",{},{"id":335,"data":336,"type":42,"tunes":338},"h-anatomy",{"text":337,"level":247},"¿Qué puede entrar en un contexto de modelo?",{},{"id":340,"data":341,"type":391,"tunes":392},"anatomy-table",{"content":342,"stretched":43,"withHeadings":14},[343,347,351,355,359,363,367,371,375,379,383,387],[344,345,346],"Componente del contexto","Propósito","Riesgo típico",[348,349,350],"Instrucciones del sistema \u002F desarrollador","Definir rol, restricciones, políticas y comportamiento","Demasiado vago, contradictorio o sobrecargado con lógica frágil",[352,353,354],"Solicitud actual del usuario","Define la tarea inmediata y la intención","Ambigüedad o conflicto con el historial previo",[356,357,358],"Historial de conversación","Preserva la continuidad entre turnos","Suposiciones obsoletas, repetición y crecimiento de tokens",[360,361,362],"Documentos recuperados","Proporcionar conocimiento\u002Fevidencia externa","Irrelevancia, versiones obsoletas, autoridad débil o duplicación",[364,365,366],"Estado actual de la aplicación","Proporciona hechos volátiles del negocio\u002Fsistema","Usar estado en caché o recordado en lugar de la autoridad actual",[368,369,370],"Definiciones de herramientas","Indican al modelo qué capacidades existen y cómo invocarlas","Demasiadas herramientas superpuestas o esquemas verbosos",[372,373,374],"Resultados de herramientas","Traen observaciones del entorno al bucle","Salidas grandes y ruidosas, contenido no confiable u observaciones obsoletas",[376,377,378],"Memoria","Reintroduce información seleccionada de interacciones previas","Obsolescencia, generalización incorrecta o sobrepersonalización",[380,381,382],"Ejemplos","Demuestran el comportamiento deseado","Demasiados casos límite pueden desplazar la tarea actual",[384,385,386],"Artefactos intermedios","Transportan planes, resúmenes, código, cálculos o notas","El estado intermedio antiguo puede confundirse con la verdad final",[388,389,390],"Políticas \u002F barreras de protección","Definir comportamiento prohibido o restringido","Conflicto con la lógica de negocio o brechas de aplicación ocultas","table",{},{"id":394,"data":395,"type":42,"tunes":397},"h-prompt",{"text":396,"level":247},"Ingeniería de contexto vs ingeniería de prompts",{},{"id":399,"data":400,"type":431,"tunes":432},"prompt-comparison",{"rows":401,"title":423,"layout":391,"columns":424},[402,407,411,415,419],{"id":403,"label":404,"values":405},"focus","Enfoque principal",[406,406],"",{"id":408,"label":409,"values":410},"scope","Alcance típico",[406,406],{"id":412,"label":413,"values":414},"timing","Cuándo cambia",[406,406],{"id":416,"label":417,"values":418},"failure","Fallo típico",[406,406],{"id":420,"label":421,"values":422},"relationship","Relación",[406,406],"La ingeniería de prompts y la ingeniería de contexto resuelven capas diferentes",[425,428],{"id":426,"label":427},"prompt","Ingeniería de prompts",{"id":429,"label":430},"context","Ingeniería de contexto","comparison",{},{"id":434,"data":435,"type":218,"tunes":437},"p-prompt-1",{"text":436},"Anthropic describe explícitamente la ingeniería de contexto como la progresión natural de la ingeniería de prompts para sistemas en los que el modelo debe trabajar con herramientas, datos externos, historial de mensajes y estado de agente de larga duración. La distinción práctica es útil porque un prompt perfectamente escrito no puede compensar la falta de datos autorizados o un contexto contaminado por estado contradictorio.",{},{"id":439,"data":440,"type":42,"tunes":442},"h-retrieval",{"text":441,"level":247},"Ingeniería de contexto vs recuperación",{},{"id":444,"data":445,"type":218,"tunes":447},"p-ret-1",{"text":446},"La recuperación selecciona información candidata de un corpus o fuente externa. La ingeniería de contexto decide qué sucede después y alrededor de esa recuperación.",{},{"id":449,"data":450,"type":218,"tunes":452},"p-ret-2",{"text":451},"El recuperador puede devolver 30 pasajes. Un reranker puede reducirlos a 10. La capa de contexto puede seleccionar cuatro pasajes, eliminar duplicados, adjuntar metadatos de fuente\u002Fversión, combinarlos con el estado actual de la aplicación y colocarlos después de las instrucciones del sistema.",{},{"id":454,"data":455,"type":218,"tunes":457},"p-ret-3",{"text":456},"Por eso un sistema RAG puede recuperar el pasaje correcto y aun así responder mal: el fallo puede ocurrir durante el ensamblaje del contexto en lugar de en la recuperación.",{},{"id":459,"data":460,"type":226,"tunes":464},"retrieval-boundary",{"body":461,"title":462,"variant":463},"El resultado correcto de la recuperación solo es útil si sobrevive a las decisiones de filtrado, ordenación, compresión y presupuesto de tokens y realmente llega al modelo en una forma utilizable.","La recuperación encuentra candidatos; la ingeniería de contexto construye la entrada del modelo","success",{},{"id":466,"data":467,"type":42,"tunes":469},"h-memory",{"text":468,"level":247},"Ingeniería de contexto vs memoria",{},{"id":471,"data":472,"type":218,"tunes":474},"p-memory-1",{"text":473},"La memoria es información conservada fuera de la invocación inmediata del modelo para que pueda usarse de nuevo más tarde. El contexto es la información realmente cargada en la invocación actual.",{},{"id":476,"data":477,"type":218,"tunes":479},"p-memory-2",{"text":478},"Un sistema de memoria puede contener miles de hechos, notas o decisiones previas. La ingeniería de contexto selecciona cuáles de ellos deben reintroducirse para la tarea actual. Cargar toda la memoria en cada turno anula el propósito de tener una capa de memoria externa.",{},{"id":481,"data":482,"type":218,"tunes":484},"p-memory-3",{"text":483},"La distinción se vuelve crucial para el estado volátil. Un estado de proyecto o una preferencia de usuario recordados pueden ser útiles, pero puede ser necesario volver a leer el estado autorizado actual antes de una decisión trascendental.",{},{"id":486,"data":487,"type":492,"tunes":493},"ref-memory",{"url":488,"title":489,"excerpt":490,"ctaLabel":491},"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","La memoria de agentes de IA no es RAG: cómo separar memoria, recuperación, estado y contexto","Una arquitectura práctica que separa lo que persiste, lo que es autorizado ahora, lo que se recupera y lo que el modelo realmente recibe.","Leer el artículo sobre arquitectura de memoria","referralArticle",{},{"id":495,"data":496,"type":42,"tunes":498},"h-state",{"text":497,"level":247},"Ingeniería de contexto vs estado de la aplicación",{},{"id":500,"data":501,"type":218,"tunes":503},"p-state-1",{"text":502},"El estado de la aplicación es la condición actual del sistema externo: saldo de la cuenta, estado del ticket, versión del archivo, etapa del flujo de trabajo, estado de despliegue o progreso de la tarea.",{},{"id":505,"data":506,"type":218,"tunes":508},"p-state-2",{"text":507},"El estado puede resumirse en el contexto, pero el resumen no es el estado en sí. Para operaciones trascendentales, el entorno de ejecución puede necesitar volver a leer el sistema autorizado inmediatamente antes de la acción en lugar de confiar en una instantánea anterior visible para el modelo.",{},{"id":510,"data":511,"type":226,"tunes":514},"state-rule",{"body":512,"title":513,"variant":233},"Una vez que el estado se copia en un prompt, puede quedar obsoleto. La ingeniería de contexto debe definir cuándo el estado volátil necesita actualizarse y qué operaciones requieren una nueva lectura autorizada.","El contexto es una instantánea",{},{"id":516,"data":517,"type":42,"tunes":519},"h-tools",{"text":518,"level":247},"El diseño de herramientas es parte de la ingeniería de contexto",{},{"id":521,"data":522,"type":218,"tunes":524},"p-tools-1",{"text":523},"Las herramientas hacen más que dar capacidades a los agentes. Los nombres, las descripciones, los esquemas y los resultados de las herramientas se convierten en información visible para el modelo que moldea las decisiones.",{},{"id":526,"data":527,"type":218,"tunes":529},"p-tools-2",{"text":528},"La guía actual de ingeniería de contexto de Anthropic enfatiza herramientas eficientes en tokens y advierte contra conjuntos de herramientas inflados con funcionalidad superpuesta. Un catálogo de herramientas que es difícil de distinguir para un humano también es difícil de enrutar de manera confiable para un modelo.",{},{"id":531,"data":532,"type":218,"tunes":534},"p-tools-3",{"text":533},"Los resultados de las herramientas también necesitan disciplina de contexto. Devolver un registro completo de 20.000 líneas cuando el agente solicitó una condición de error consume atención y puede enterrar la evidencia decisiva.",{},{"id":536,"data":537,"type":42,"tunes":539},"h-jit",{"text":538,"level":247},"Contexto justo a tiempo vs contexto precargado",{},{"id":541,"data":542,"type":431,"tunes":568},"jit-comparison",{"rows":543,"title":560,"layout":391,"columns":561},[544,548,552,556],{"id":545,"label":546,"values":547},"method","Método",[406,406],{"id":549,"label":550,"values":551},"strength","Fortaleza",[406,406],{"id":553,"label":554,"values":555},"risk","Riesgo",[406,406],{"id":557,"label":558,"values":559},"best","Útil cuando",[406,406],"Dos formas de suministrar información",[562,565],{"id":563,"label":564},"preload","Contexto precargado",{"id":566,"label":567},"jit","Contexto justo a tiempo",{},{"id":570,"data":571,"type":218,"tunes":573},"p-jit-1",{"text":572},"Anthropic describe un patrón híbrido en el que se precarga algo de contexto estable mientras los agentes recuperan información adicional en tiempo de ejecución. Este es un patrón de arquitectura útil porque no todos los hechos importantes merecen residencia permanente en la ventana de contexto.",{},{"id":575,"data":576,"type":42,"tunes":578},"h-budget",{"text":577,"level":247},"El contexto es un presupuesto, no un sistema de almacenamiento",{},{"id":580,"data":581,"type":218,"tunes":583},"p-budget-1",{"text":582},"Una ventana de contexto define la capacidad. No garantiza que cada token se utilice igual de bien. El modelo debe distribuir la atención entre instrucciones, historial, evidencia, herramientas y estado intermedio.",{},{"id":585,"data":586,"type":218,"tunes":588},"p-budget-2",{"text":587},"El objetivo práctico, por lo tanto, no es \"llenar la ventana\". Es maximizar la utilidad del presupuesto de atención limitado.",{},{"id":590,"data":591,"type":218,"tunes":593},"p-budget-3",{"text":592},"Anthropic formula un principio similar como encontrar el conjunto más pequeño de tokens de alta señal que maximice la probabilidad del comportamiento deseado. La guía de gestión de contexto de OpenAI también advierte que el historial no curado, los resultados de herramientas redundantes y la recuperación ruidosa pueden abrumar incluso ventanas grandes.",{},{"id":595,"data":596,"type":42,"tunes":598},"h-more",{"text":597,"level":247},"Por qué más contexto puede ser peor",{},{"id":600,"data":601,"type":218,"tunes":603},"p-more-1",{"text":602},"El contexto adicional puede introducir información irrelevante, estado obsoleto, evidencia duplicada, instrucciones contradictorias o competencia posicional. También puede hacer que los sistemas de compactación descarten detalles que luego se vuelven importantes.",{},{"id":605,"data":606,"type":218,"tunes":608},"p-more-2",{"text":607},"El clásico estudio Lost in the Middle demostró que los modelos de contexto largo pueden usar la información de manera diferente según dónde aparezca el contenido relevante, con un rendimiento que a menudo se degrada cuando la información decisiva se coloca en el medio de entradas largas.",{},{"id":610,"data":611,"type":218,"tunes":613},"p-more-3",{"text":612},"Esto no significa que el contexto largo sea intrínsecamente malo. Significa que la disponibilidad dentro de la ventana no es lo mismo que la utilización confiable.",{},{"id":615,"data":616,"type":42,"tunes":618},"h-order",{"text":617,"level":247},"El orden del contexto debe ser intencional",{},{"id":620,"data":621,"type":218,"tunes":623},"p-order-1",{"text":622},"La construcción del contexto también es un problema de ordenamiento. Las instrucciones críticas, el estado actual, la evidencia decisiva y las restricciones específicas de la tarea no deben concatenarse arbitrariamente.",{},{"id":625,"data":626,"type":218,"tunes":628},"p-order-2",{"text":627},"No existe un ordenamiento perfecto universal para cada modelo y tarea. Por lo tanto, la arquitectura debe probar si reordenar la evidencia cambia la corrección y si la información importante permanece robusta a través de variaciones realistas del contexto.",{},{"id":630,"data":631,"type":218,"tunes":633},"p-order-3",{"text":632},"Una respuesta estable que cambia drásticamente cuando dos pasajes igualmente válidos intercambian posiciones indica una sensibilidad al contexto que debería medirse en lugar de ignorarse.",{},{"id":635,"data":636,"type":42,"tunes":638},"h-conflict",{"text":637,"level":247},"El contexto en conflicto necesita una precedencia explícita",{},{"id":640,"data":641,"type":218,"tunes":643},"p-conflict-1",{"text":642},"Un modelo puede recibir una política antigua y una nueva, una preferencia recordada y una instrucción explícita actual, o un estado en caché y un resultado de API en vivo. El sistema no debería esperar que el modelo infiera la precedencia a partir del estilo de la prosa.",{},{"id":645,"data":646,"type":218,"tunes":648},"p-conflict-2",{"text":647},"La ingeniería de contexto debería codificar la precedencia mediante la selección de fuentes, metadatos, ordenamiento o instrucciones explícitas: el estado autoritativo actual prevalece sobre copias obsoletas; una instrucción explícita actual del usuario prevalece sobre una preferencia inferida anterior; una política aprobada sustituye a borradores obsoletos.",{},{"id":650,"data":651,"type":391,"tunes":674},"conflict-table",{"content":652,"stretched":43,"withHeadings":14},[653,656,659,662,665,668,671],[654,655],"Conflicto","Regla de contexto preferida",[657,658],"Estado actual vs estado recordado","Actualizar y preferir la fuente autoritativa actual.",[660,661],"Política actual vs política sustituida","Incluir la versión actual; conservar la versión antigua solo cuando se requiera comparación histórica.",[663,664],"Instrucción explícita del usuario vs preferencia inferida anterior","Preferir la instrucción explícita actual.",[666,667],"Fuente primaria vs resumen secundario","Usar la fuente primaria para afirmaciones que requieran autoridad; el resumen puede apoyar la explicación.",[669,670],"Observación de herramienta vs prior del modelo","Preferir el estado observado actual cuando la herramienta sea autoritativa para ese hecho.",[672,673],"Dos fuentes autoritativas no resueltas","Exponer el conflicto en lugar de fabricar una única respuesta consistente.",{},{"id":676,"data":677,"type":42,"tunes":679},"h-compaction",{"text":678,"level":247},"La compactación es transformación de contexto, no almacenamiento sin pérdida",{},{"id":681,"data":682,"type":218,"tunes":684},"p-comp-1",{"text":683},"Los sistemas de larga duración eventualmente necesitan recortar, resumir o compactar el historial. La compactación crea una nueva representación del contexto previo para que el agente pueda continuar sin reproducir cada token.",{},{"id":686,"data":687,"type":218,"tunes":689},"p-comp-2",{"text":688},"Los ejemplos de gestión de contexto de OpenAI utilizan recorte y compresión para sesiones de larga duración. Anthropic describe la compactación como una técnica principal para mantener la coherencia cuando una interacción se acerca al límite de contexto.",{},{"id":691,"data":692,"type":218,"tunes":694},"p-comp-3",{"text":693},"La parte difícil es decidir qué no se puede eliminar de forma segura: tareas no resueltas, identificadores, restricciones del usuario, límites de seguridad, decisiones de arquitectura, excepciones, procedencia de las fuentes y las condiciones que hacen válida una conclusión previa.",{},{"id":696,"data":697,"type":226,"tunes":700},"compaction-rule",{"body":698,"title":699,"variant":233},"Si la compactación conserva «usar el enfoque X» pero descarta por qué se eligió X, qué versión se probó o qué condición lo invalidaría, las respuestas posteriores pueden seguir siendo internamente consistentes mientras se vuelven externamente incorrectas.","Un resumen puede preservar la conclusión y destruir la razón",{},{"id":702,"data":703,"type":42,"tunes":705},"h-validity",{"text":704,"level":247},"Preservar los límites de validez",{},{"id":707,"data":708,"type":218,"tunes":710},"p-validity-1",{"text":709},"Las conclusiones importantes deberían llevar las condiciones bajo las cuales siguen siendo respaldadas: versión, fecha, alcance, supuestos, autoridad de la fuente y desacuerdo no resuelto.",{},{"id":712,"data":713,"type":218,"tunes":715},"p-validity-2",{"text":714},"La ingeniería de contexto está, por lo tanto, conectada con el Límite de Validez de la Respuesta. El ensamblador de contexto no debería eliminar los metadatos que determinan si la evidencia sigue siendo aplicable.",{},{"id":717,"data":718,"type":492,"tunes":723},"ref-avb",{"url":719,"title":720,"excerpt":721,"ctaLabel":722},"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","El Límite de Validez de la Respuesta: La Capa Faltante Entre la Relevancia y las Respuestas de IA Confiables","Un marco para preservar el alcance, los supuestos, las versiones y las condiciones de evidencia bajo las cuales una afirmación de IA sigue siendo respaldada.","Leer El Límite de Validez de la Respuesta",{},{"id":725,"data":726,"type":42,"tunes":728},"h-security",{"text":727,"level":247},"La ingeniería de contexto también es un límite de seguridad",{},{"id":730,"data":731,"type":218,"tunes":733},"p-sec-1",{"text":732},"Los datos que llegan al modelo han cruzado un límite importante del sistema. Por lo tanto, el ensamblaje de contexto debe respetar la autorización, el aislamiento entre inquilinos, la confidencialidad y las reglas de minimización de datos.",{},{"id":735,"data":736,"type":218,"tunes":738},"p-sec-2",{"text":737},"Un recuperador puede encontrar técnicamente un pasaje al que el usuario actual no puede acceder. El diseño correcto es impedir que ese pasaje entre en el contexto del modelo en lugar de confiar en que el modelo lo ignore.",{},{"id":740,"data":741,"type":218,"tunes":743},"p-sec-3",{"text":742},"Las salidas de herramientas también pueden contener instrucciones no confiables o contenido adversario. La ingeniería de contexto debería preservar la distinción entre las instrucciones de la aplicación y los datos externos para que el texto recuperado no pueda adquirir silenciosamente autoridad de instrucción.",{},{"id":745,"data":746,"type":42,"tunes":748},"h-architecture",{"text":747,"level":247},"Una arquitectura práctica de ingeniería de contexto",{},{"id":750,"data":751,"type":226,"tunes":754},"arch-note",{"body":752,"title":753,"variant":240},"Las siguientes capas son una síntesis práctica para sistemas de producción, no un estándar formal de la industria. El propósito es mantener la propiedad de la información separada del contexto temporal orientado al modelo.","Modelo de arquitectura propuesto",{},{"id":756,"data":757,"type":391,"tunes":786},"arch-table",{"content":758,"stretched":43,"withHeadings":14},[759,762,765,768,771,774,777,780,783],[760,761],"Capa","Responsabilidad",[763,764],"Sistemas autoritativos","Poseen el estado actual del negocio\u002Fsistema y los registros oficiales.",[766,767],"Fuentes de conocimiento","Poseen documentos, políticas, especificaciones, investigación o evidencia externa.",[769,770],"Almacén de memoria","Preserva información seleccionada a través de turnos o sesiones.",[772,773],"Capa de recuperación","Localiza candidatos relevantes para la tarea desde fuentes externas.",[775,776],"Capa de herramientas\u002Ftiempo de ejecución","Lee el estado, realiza acciones y devuelve observaciones.",[778,779],"Ensamblador de contexto","Selecciona, filtra, deduplica, ordena y formatea la información visible para el modelo.",[781,782],"Modelo","Razona y genera sobre el contexto ensamblado.",[784,785],"Validación\u002Fevaluación","Verifica si el contexto seleccionado y la salida resultante satisfacen los requisitos específicos de la tarea.",{},{"id":788,"data":789,"type":218,"tunes":791},"p-arch-1",{"text":790},"El ensamblador de contexto es conceptualmente importante incluso cuando ningún módulo tiene ese nombre exacto. En una aplicación pequeña puede ser código de aplicación ordinario. En una plataforma de agentes grande puede combinar gestión de sesiones, recuperación, memoria, middleware de herramientas, compactación y aplicación de políticas.",{},{"id":793,"data":794,"type":42,"tunes":796},"h-policy",{"text":795,"level":247},"Una política práctica de construcción de contexto",{},{"id":798,"data":799,"type":391,"tunes":840},"policy-table",{"content":800,"stretched":43,"withHeadings":14},[801,804,807,810,813,816,819,822,825,828,831,834,837],[802,803],"Regla","Por qué importa",[805,806],"Comenzar desde la tarea actual","No arrastrar información meramente porque existía antes.",[808,809],"Releer el estado volátil","La memoria y el contexto antiguo pueden estar desactualizados.",[811,812],"Recuperar solo la evidencia suficiente","Los conjuntos grandes de candidatos pueden diluir la información decisiva.",[814,815],"Preservar los metadatos de origen","La versión, la fecha y la autoridad determinan si la evidencia sigue siendo aplicable.",[817,818],"Eliminar contenido duplicado","La redundancia consume tokens sin agregar información.",[820,821],"Preferir resúmenes estructurados para salidas grandes de herramientas","Exponer campos decisivos en lugar de ruido bruto cuando la fidelidad lo permita.",[823,824],"Mantener las reglas junto con sus excepciones","Separar una regla de su excepción crea una falsa certeza.",[826,827],"Hacer explícita la precedencia","No pedirle al modelo que infiera qué fuente en conflicto prevalece.",[829,830],"Mantener el estado duradero fuera del contexto","El contexto es memoria de trabajo temporal, no la base de datos.",[832,833],"Compactar con pruebas de retención","Verificar que los identificadores, restricciones, procedencia y estado no resuelto sobrevivan.",[835,836],"Medir la sensibilidad al orden","La corrección no debería depender accidentalmente de un orden de documentos arbitrario.",[838,839],"Evaluar el contexto por separado de la calidad del modelo","Un modelo más fuerte no puede compensar de manera confiable la falta de evidencia o la evidencia no autorizada.",{},{"id":842,"data":843,"type":42,"tunes":845},"h-eval",{"text":844,"level":247},"Cómo evaluar la ingeniería de contexto",{},{"id":847,"data":848,"type":391,"tunes":890},"eval-table",{"content":849,"stretched":43,"withHeadings":14},[850,854,858,862,866,870,874,878,882,886],[851,852,853],"Propiedad","Pregunta","Prueba de ejemplo",[855,856,857],"Suficiencia","¿El contexto contiene todo lo necesario para resolver la tarea?","Eliminar un elemento de evidencia y observar si la respuesta queda sin sustento.",[859,860,861],"Relevancia","¿Cuánto contexto es innecesario para la tarea?","Medir la calidad a medida que se agregan o eliminan pasajes irrelevantes.",[863,864,865],"Autoridad","¿Las afirmaciones decisivas están fundamentadas en la clase de fuente correcta?","Inyectar una fuente conflictiva más fluida pero no autoritativa.",[867,868,869],"Actualidad","¿El estado actual anula las copias obsoletas?","Cambiar el estado autoritativo después de un turno previo y volver a ejecutar.",[871,872,873],"Robustez posicional","¿La calidad de la respuesta depende fuertemente de la posición de la evidencia?","Aleatorizar el orden de los candidatos en ensayos repetidos.",[875,876,877],"Manejo de conflictos","¿El modelo sigue reglas de precedencia explícitas?","Presentar el estado antiguo y el nuevo juntos.",[879,880,881],"Retención en la compactación","¿La summarización preserva las restricciones y los límites de validez?","Comparar el rendimiento en la tarea antes y después de la compactación.",[883,884,885],"Eficiencia de tokens","¿El contexto adicional mejora la calidad lo suficiente como para justificar la latencia\u002Fcosto?","Ejecutar ablaciones controladas del tamaño del contexto.",[887,888,889],"Seguridad","¿Puede contenido no autorizado o adversarial ingresar al contexto del modelo?","Probar los límites de inquilino, permisos e inyección de prompts.",{},{"id":892,"data":893,"type":42,"tunes":895},"h-rag-diagnostic",{"text":894,"level":247},"El ensamblado de contexto es una capa de fallo distinta en RAG",{},{"id":897,"data":898,"type":218,"tunes":900},"p-ragdiag-1",{"text":899},"Un pipeline de RAG puede tener éxito en la recuperación y aun así fallar en etapas posteriores. La fuente relevante puede aparecer en el rango 2, pero el ensamblador de contexto puede descartarla, truncarla, combinarla con material obsoleto contradictorio o exceder el presupuesto de tokens.",{},{"id":902,"data":903,"type":218,"tunes":905},"p-ragdiag-2",{"text":904},"Por eso las trazas de recuperación deben compararse con el contexto real enviado al modelo. Sin esa comparación, los fallos de contexto se diagnostican fácilmente como fallos de embeddings o del modelo.",{},{"id":907,"data":908,"type":492,"tunes":913},"ref-ragfail",{"url":909,"title":910,"excerpt":911,"ctaLabel":912},"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Frag-failed-but-which-layer-actually-failed-a-diagnostic-method","RAG falló — pero ¿qué capa falló realmente? Un método de diagnóstico","Un enfoque capa por capa para separar fallos de cobertura de fuentes, recuperación, ranking, ensamblado de contexto, generación, atribución de evidencia y actualidad.","Leer el método de diagnóstico de RAG",{},{"id":915,"data":916,"type":42,"tunes":918},"h-implementation",{"text":917,"level":247},"Evidencia de implementación original",{},{"id":920,"data":921,"type":42,"tunes":923},"h-sot-engine",{"text":922,"level":246},"Source of Truth Research Engine: investigación acotada en lugar de contexto ilimitado",{},{"id":925,"data":926,"type":218,"tunes":928},"p-sot-1",{"text":927},"El Source of Truth Research Engine separa el descubrimiento, la adquisición, la extracción, la verificación, el análisis de contradicciones y la síntesis en etapas de investigación acotadas, en lugar de enviar una enorme tarea de investigación y todo el material acumulado en una sola llamada al modelo.",{},{"id":930,"data":931,"type":218,"tunes":933},"p-sot-2",{"text":932},"Su modelo de evidencia almacena Sources, Artifacts, Claims, Relations, Contradictions y procedencia fuera del contexto del modelo. El modelo puede recibir el subconjunto necesario para el paso de investigación actual, mientras que la evidencia duradera permanece en el almacén externo.",{},{"id":935,"data":936,"type":218,"tunes":938},"p-sot-3",{"text":937},"Ese es un patrón concreto de ingeniería de contexto: el estado de investigación duradero vive fuera de la ventana del modelo; el contexto activo del modelo se reconstruye para la etapa actual.",{},{"id":940,"data":941,"type":42,"tunes":943},"h-ai-client",{"text":942,"level":246},"Aaasaasa AI Client: tiempo de ejecución, permisos y contexto son preocupaciones separadas",{},{"id":945,"data":946,"type":218,"tunes":948},"p-client-1",{"text":947},"Aaasaasa AI Client separa la selección de proveedor\u002Fmodelo, la ubicación de ejecución, los permisos del espacio de trabajo, los recursos locales y el acceso a herramientas. Esto evita que el contexto del modelo se convierta en el propietario de la autorización o del estado de la aplicación.",{},{"id":950,"data":951,"type":218,"tunes":953},"p-client-2",{"text":952},"El Chat directo y los entornos de ejecución agénticos pueden tener diferentes capacidades de herramientas. Los perfiles de permisos del espacio de trabajo son aplicados por el entorno de ejecución en lugar de simplemente describirse en un contexto en lenguaje natural. Esta distinción es importante: el contexto puede decirle a un modelo lo que debería hacer, mientras que el entorno de ejecución aún debe hacer cumplir lo que realmente se le permite hacer.",{},{"id":955,"data":956,"type":218,"tunes":958},"p-client-3",{"text":957},"La evidencia de implementación aquí es la separación arquitectónica, no una afirmación de que cada técnica avanzada de gestión de contexto descrita en este artículo ya esté implementada.",{},{"id":960,"data":961,"type":391,"tunes":981},"impl-table",{"content":962,"stretched":43,"withHeadings":14},[963,966,969,972,975,978],[964,965],"Patrón de implementación","Lección de ingeniería de contexto",[967,968],"Almacén de evidencia externo","El conocimiento duradero no necesita permanecer en la ventana del modelo.",[970,971],"Etapas de investigación acotadas","Diferentes pasos pueden recibir diferente contexto en lugar de acumular un historial gigante.",[973,974],"Afirmaciones + procedencia fuera del contexto","La identidad de la evidencia sobrevive más allá del estado de inferencia temporal.",[976,977],"Permisos aplicados por el entorno de ejecución","La autoridad de seguridad no depende de que el modelo recuerde una instrucción.",[979,980],"Conceptos separados de local\u002Fproveedor\u002Fmodelo\u002Fentorno de ejecución","El contexto es solo una capa de la arquitectura más amplia de la aplicación de IA.",{},{"id":983,"data":984,"type":226,"tunes":987},"impl-boundary",{"body":985,"title":986,"variant":240},"Estas implementaciones respaldan la separación arquitectónica entre estado duradero, recuperación, controles del entorno de ejecución y contexto orientado al modelo. No se presentan como prueba de referencia de que una estrategia de contexto sea universalmente óptima.","Límite de la evidencia",{},{"id":989,"data":990,"type":42,"tunes":992},"h-failures",{"text":991,"level":247},"Modos comunes de fallo en la ingeniería de contexto",{},{"id":994,"data":995,"type":391,"tunes":1030},"failure-table",{"content":996,"stretched":43,"withHeadings":14},[997,1000,1003,1006,1009,1012,1015,1018,1021,1024,1027],[998,999],"Modo de fallo","Qué sale mal",[1001,1002],"Reproducir toda la conversación para siempre","Las suposiciones antiguas, la repetición y el crecimiento de tokens abruman la intención actual.",[1004,1005],"Poner cada resultado recuperado en el prompt","El ruido, la duplicación y las versiones en conflicto diluyen la evidencia decisiva.",[1007,1008],"Usar la memoria como estado actual","La información obsoleta reemplaza silenciosamente el estado en vivo autoritativo.",[1010,1011],"Devolver la salida cruda de la herramienta","Los registros o respuestas grandes consumen atención sin aportar valor de decisión.",[1013,1014],"Ocultar las descripciones de herramientas tras nombres vagos","El modelo no puede decidir de forma fiable qué capacidad usar.",[1016,1017],"Compactar sin pruebas de retención","Restricciones críticas, identificadores o excepciones desaparecen.",[1019,1020],"Mezclar instrucciones y datos no confiables","El contenido externo puede interpretarse como una instrucción de mayor autoridad.",[1022,1023],"Usar una plantilla de contexto estática para cada tarea","Diferentes tareas reciben información irrelevante y pierden evidencia específica de la tarea.",[1025,1026],"Ignorar la versión\u002Ffecha de la fuente","La evidencia obsoleta pero relevante puede dominar el estado autoritativo actual.",[1028,1029],"Tratar una ventana de contexto más grande como garantía de calidad","La capacidad aumenta mientras los problemas de atención y conflicto permanecen.",{},{"id":1032,"data":1033,"type":42,"tunes":1035},"h-misconceptions",{"text":1034,"level":247},"Conceptos erróneos comunes",{},{"id":1037,"data":1038,"type":391,"tunes":1073},"misconceptions-table",{"content":1039,"stretched":43,"withHeadings":14},[1040,1043,1046,1049,1052,1055,1058,1061,1064,1067,1070],[1041,1042],"Concepto erróneo","Corrección",[1044,1045],"“La ingeniería de contexto es solo ingeniería de prompts con un nuevo nombre.”","Los prompts son un componente; la ingeniería de contexto también abarca recuperación, memoria, estado, resultados de herramientas, historial y compactación.",[1047,1048],"“Contexto significa historial de chat.”","El historial es solo una posible fuente de contexto.",[1050,1051],"“Más contexto siempre es mejor.”","La información adicional puede reducir la señal, introducir conflictos y aumentar el costo.",[1053,1054],"“Si la recuperación lo encontró, el modelo lo vio.”","Los candidatos recuperados pueden filtrarse, truncarse u omitirse antes de la inferencia.",[1056,1057],"“El contexto largo elimina la necesidad de RAG.”","Las ventanas grandes aumentan la capacidad pero no resuelven la frescura, la autoridad, los permisos o la recuperación dinámica.",[1059,1060],"“La memoria siempre debe cargarse.”","La memoria debe seleccionarse según la tarea actual.",[1062,1063],"“Un resumen preserva todo lo importante.”","La compactación es con pérdida a menos que se evalúe explícitamente para la retención.",[1065,1066],"“Las instrucciones pueden hacer cumplir los permisos.”","La autorización debe ser aplicada por controles del entorno de ejecución\u002Faplicación, no solo por el contexto.",[1068,1069],"“Una receta de contexto funciona para cada modelo.”","La sensibilidad al contexto varía según el modelo, la tarea, el corpus y el entorno de ejecución.",[1071,1072],"“La ingeniería de contexto es solo para agentes.”","Los agentes amplifican la necesidad, pero las aplicaciones ordinarias de RAG y conversacionales también requieren construcción de contexto.",{},{"id":1075,"data":1076,"type":42,"tunes":1078},"h-sequence",{"text":1077,"level":247},"Una secuencia práctica de ingeniería de contexto",{},{"id":1080,"data":1081,"type":317,"tunes":1114},"design-sequence",{"steps":1082,"title":1113,"orientation":316},[1083,1086,1089,1092,1095,1098,1101,1104,1107,1110],{"label":1084,"description":1085},"1. Definir la próxima decisión del modelo","Especificar qué debe responder, clasificar, planificar o elegir el modelo en este paso.",{"label":1087,"description":1088},"2. Identificar hechos y restricciones requeridos","Enumerar el estado, las reglas, la evidencia y las instrucciones mínimas que pueden cambiar materialmente el resultado.",{"label":1090,"description":1091},"3. Resolver autoridad y permisos","Determinar qué fuentes son actuales, autoritativas y accesibles para el principal actual.",{"label":1093,"description":1094},"4. Recuperar o leer bajo demanda","Adquirir la evidencia necesaria y el estado volátil en lugar de depender de un contexto obsoleto.",{"label":1096,"description":1097},"5. Reducir el ruido","Deduplicar, resumir o seleccionar pasajes sin descartar excepciones decisivas o procedencia.",{"label":1099,"description":1100},"6. Estructurar y ordenar","Hacer distinguibles las instrucciones, el estado actual, la evidencia y las observaciones de herramientas.",{"label":1102,"description":1103},"7. Ajustar al presupuesto de tokens","Preferir contexto de alta señal y mover la información duradera fuera de la ventana.",{"label":1105,"description":1106},"8. Ejecutar el modelo","Ejecutar la inferencia sobre el contexto ensamblado.",{"label":1108,"description":1109},"9. Observar fallos","Capturar si el problema provino de un contexto faltante, obsoleto, ruidoso, conflictivo o mal ordenado.",{"label":1111,"description":1112},"10. Reevaluar tras cambios de modelo\u002Fentorno de ejecución","Una estrategia de contexto solo es válida para los modelos, herramientas y cargas de trabajo en los que se probó.","Construir el contexto desde la decisión actual hacia atrás",{},{"id":1116,"data":1117,"type":42,"tunes":1119},"h-checklist",{"text":1118,"level":247},"Lista de verificación de ingeniería de contexto",{},{"id":1121,"data":1122,"type":391,"tunes":1162},"checklist-table",{"content":1123,"stretched":43,"withHeadings":14},[1124,1126,1129,1132,1135,1138,1141,1144,1147,1150,1153,1156,1159],[852,1125],"Respuesta esperada",[1127,1128],"¿Qué decisión exacta tomará el modelo a continuación?","Una tarea acotada, no un objetivo vago a largo plazo.",[1130,1131],"¿Qué información puede cambiar materialmente esa decisión?","Conjunto mínimo explícito de evidencia\u002Festado.",[1133,1134],"¿Qué datos son autoritativos ahora?","Fuente\u002Fversión actual y regla de frescura.",[1136,1137],"¿Qué datos son contexto opcional?","Separados de la evidencia decisiva.",[1139,1140],"¿Qué no debe entrar en el contexto?","Datos no autorizados, innecesarios o demasiado sensibles.",[1142,1143],"¿Qué elementos de memoria son relevantes?","Seleccionados por tarea, no reproducidos automáticamente.",[1145,1146],"¿Qué salidas de herramientas deben reducirse?","Las respuestas grandes se transforman en una forma relevante para la decisión.",[1148,1149],"¿Qué restricciones deben sobrevivir a la compactación?","Identificadores, excepciones, obligaciones, estado no resuelto y procedencia.",[1151,1152],"¿Cómo se representa la precedencia?","La información actual\u002Fautoritativa puede anular de forma fiable fuentes obsoletas o más débiles.",[1154,1155],"¿Cómo sabrás que el contexto falló?","Existen evaluaciones y rastreos específicos del contexto.",[1157,1158],"¿Se puede reproducir la respuesta?","La entrada del modelo o un rastreo de contexto reconstruible está disponible cuando corresponde.",[1160,1161],"¿Puede un modelo más fuerte o más grande cambiar la estrategia?","La política de contexto está consciente de la versión y se reevalúa empíricamente.",{},{"id":1164,"data":1165,"type":42,"tunes":1167},"h-edge",{"text":1166,"level":247},"Casos límite y limitaciones",{},{"id":1169,"data":1170,"type":218,"tunes":1172},"p-edge-1",{"text":1171},"Algunas tareas son lo suficientemente simples como para que la ingeniería de contexto se reduzca a un prompt de sistema corto y un mensaje de usuario. Agregar recuperación, memoria y compactación solo introduciría arquitectura innecesaria.",{},{"id":1174,"data":1175,"type":218,"tunes":1177},"p-edge-2",{"text":1176},"Algunas tareas requieren alta recuperación y pueden incluir intencionalmente más contexto antes de una síntesis posterior. La investigación, el descubrimiento y la revisión legal pueden preferir evitar omisiones por encima del conteo mínimo de tokens.",{},{"id":1179,"data":1180,"type":218,"tunes":1182},"p-edge-3",{"text":1181},"Alguna información nunca debe resumirse antes de usarse. Los contratos exactos, el código, el material criptográfico, los registros numéricos y el texto regulatorio pueden requerir recuperación literal o estructurada donde la compresión podría alterar el significado.",{},{"id":1184,"data":1185,"type":218,"tunes":1187},"p-edge-4",{"text":1186},"El comportamiento de contexto largo varía sustancialmente entre modelos. Una estrategia validada en un modelo, longitud de contexto o arnés de herramientas no debe transferirse automáticamente a otro.",{},{"id":1189,"data":1190,"type":218,"tunes":1192},"p-edge-5",{"text":1191},"El modelo aún puede ignorar o malinterpretar un contexto excelente. La ingeniería de contexto mejora el entorno de información; no garantiza la corrección del razonamiento.",{},{"id":1194,"data":1195,"type":42,"tunes":1197},"h-change",{"text":1196,"level":247},"¿Qué cambiaría esta respuesta?",{},{"id":1199,"data":1200,"type":218,"tunes":1202},"p-change-1",{"text":1201},"Los modelos futuros pueden volverse más robustos ante contextos largos, efectos posicionales e información conflictiva. Eso podría reducir la cantidad de curación manual requerida.",{},{"id":1204,"data":1205,"type":218,"tunes":1207},"p-change-2",{"text":1206},"La distinción arquitectónica seguiría siendo útil porque los permisos, la frescura, la persistencia de memoria, la autoridad de la fuente y el estado de la aplicación externa existen fuera del modelo independientemente del tamaño de la ventana de contexto.",{},{"id":1209,"data":1210,"type":218,"tunes":1212},"p-change-3",{"text":1211},"El equilibrio recomendado entre contexto precargado y contexto justo a tiempo también cambia según los requisitos de latencia, la fiabilidad de las herramientas, el tamaño del corpus, el costo del modelo y cuán dinámica es la información subyacente.",{},{"id":1214,"data":1215,"type":42,"tunes":1217},"h-related",{"text":1216,"level":247},"Conocimiento canónico relacionado",{},{"id":1219,"data":1220,"type":218,"tunes":1222},"p-related-1",{"text":1221},"La ingeniería de contexto se sitúa entre la recuperación y la generación. RAG explica cómo se recupera el conocimiento externo; R01 separa embeddings, búsqueda vectorial y reranking; la ingeniería de contexto explica qué llega finalmente al modelo.",{},{"id":1224,"data":1225,"type":492,"tunes":1230},"ref-rag",{"url":1226,"title":1227,"excerpt":1228,"ctaLabel":1229},"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works","¿Qué es RAG? La explicación más simple de cómo funciona","La base de recuperación para entender cómo se puede proporcionar conocimiento externo a un modelo antes de la generación.","Leer la base de RAG",{},{"id":1232,"data":1233,"type":218,"tunes":1235},"p-related-2",{"text":1234},"La arquitectura de fuente de verdad responde a una pregunta diferente: no qué información está presente en el contexto, sino qué fuente está autorizada para establecer una afirmación.",{},{"id":1237,"data":1238,"type":218,"tunes":1240},"p-related-3",{"text":1239},"El artículo existente Por qué más contexto puede empeorar las respuestas de la IA es el complemento diagnóstico de esta definición canónica. Se centra en la contaminación del contexto, los efectos posicionales, el crecimiento de top-k, la pérdida por compactación y la degradación de las respuestas en lugar de redefinir la ingeniería de contexto en sí.",{},{"id":1242,"data":1243,"type":42,"tunes":1245},"h-faq",{"text":1244,"level":247},"Preguntas frecuentes",{},{"id":1247,"data":1248,"type":1247,"tunes":1283},"faq",{"items":1249,"title":1282},[1250,1254,1258,1262,1266,1270,1274,1278],{"id":1251,"answer":1252,"question":1253},"faq1","La ingeniería de contexto es el diseño y la gestión en tiempo de ejecución de qué información recibe un modelo de lenguaje en el momento de la inferencia, incluidas instrucciones, historial, evidencia recuperada, memoria, estado, herramientas y resultados de herramientas.","¿Qué es la ingeniería de contexto?",{"id":1255,"answer":1256,"question":1257},"faq2","La ingeniería de prompts se centra en cómo se escriben las instrucciones y los ejemplos. La ingeniería de contexto incluye los prompts, pero también decide qué información externa, estado, historial, memoria y observaciones de herramientas se colocan a su alrededor.","¿En qué se diferencia la ingeniería de contexto de la ingeniería de prompts?",{"id":1259,"answer":1260,"question":1261},"faq3","No. RAG recupera información externa. La ingeniería de contexto decide cómo se filtra la información recuperada, cómo se combina con otro estado y cómo se entrega realmente al modelo.","¿RAG es lo mismo que la ingeniería de contexto?",{"id":1263,"answer":1264,"question":1265},"faq4","No. La memoria persiste información fuera de la llamada actual al modelo. El contexto es el subconjunto de información cargado en la inferencia actual.","¿Memoria es lo mismo que contexto?",{"id":1267,"answer":1268,"question":1269},"faq5","El contexto adicional puede introducir ruido, estado obsoleto, evidencia conflictiva, duplicación y competencia posicional. Una gran capacidad de contexto no garantiza un uso igualmente fiable de cada token.","¿Por qué más contexto puede empeorar una respuesta?",{"id":1271,"answer":1272,"question":1273},"faq6","La compactación resume o transforma el historial acumulado en una representación más pequeña para que un sistema de larga duración pueda continuar sin reproducir cada token anterior.","¿Qué es la compactación de contexto?",{"id":1275,"answer":1276,"question":1277},"faq7","Puede representarse en el contexto para el razonamiento, pero las operaciones consecuentes a menudo deberían volver a leer la fuente autoritativa porque las instantáneas del contexto pueden quedar obsoletas.","¿Debería almacenarse el estado actual de la aplicación en el contexto?",{"id":1279,"answer":1280,"question":1281},"faq8","No. Los agentes hacen que la gestión del contexto sea más dinámica, pero los sistemas RAG, asistentes, copilotos y aplicaciones multiturno también necesitan una construcción deliberada del contexto.","¿Solo se necesita la ingeniería de contexto para agentes de IA?","Preguntas frecuentes sobre ingeniería de contexto",{},{"id":1285,"data":1286,"type":42,"tunes":1288},"h-glossary",{"text":1287,"level":247},"Glosario",{},{"id":1290,"data":1291,"type":1290,"tunes":1338},"glossary",{"title":1292,"entries":1293},"Términos clave de ingeniería de contexto",[1294,1297,1301,1304,1308,1312,1316,1320,1324,1327,1331,1334],{"term":430,"anchor":1295,"definition":1296},"context-engineering","El diseño y la gestión en tiempo de ejecución de la información suministrada a un modelo de lenguaje para un paso de inferencia concreto.",{"term":1298,"anchor":1299,"definition":1300},"Ventana de contexto","context-window","La capacidad finita de tokens del modelo para la entrada y, según la interfaz del modelo, los tokens generados asociados o la secuencia activa.",{"term":427,"anchor":1302,"definition":1303},"prompt-engineering","El diseño de instrucciones, ejemplos y estructura de prompts destinado a elicitar un comportamiento útil del modelo.",{"term":1305,"anchor":1306,"definition":1307},"Ensamblaje de contexto","context-assembly","El proceso de seleccionar, filtrar, ordenar y formatear la información visible para el modelo antes de la inferencia.",{"term":1309,"anchor":1310,"definition":1311},"Recuperación justo a tiempo","just-in-time-retrieval","Cargar información de forma dinámica cuando la tarea actual la requiere en lugar de precargar todos los datos potencialmente relevantes.",{"term":1313,"anchor":1314,"definition":1315},"Compactación","compaction","Reducir el contexto acumulado a una representación más pequeña mientras se intenta preservar la información necesaria para pasos futuros.",{"term":1317,"anchor":1318,"definition":1319},"Contaminación del contexto","context-pollution","Degradación causada por información irrelevante, obsoleta, contradictoria o redundante que ocupa el contexto de trabajo del modelo.",{"term":1321,"anchor":1322,"definition":1323},"Estado de la aplicación","application-state","La condición autoritativa actual del sistema externo, flujo de trabajo o dominio que existe independientemente del contexto del modelo.",{"term":376,"anchor":1325,"definition":1326},"memory","Información almacenada fuera de la invocación inmediata del modelo para su posible uso en turnos o sesiones posteriores.",{"term":1328,"anchor":1329,"definition":1330},"Contexto recuperado","retrieved-context","Información externa seleccionada por un sistema de recuperación y puesta a disposición, total o parcialmente, del modelo.",{"term":871,"anchor":1332,"definition":1333},"position-robustness","El grado en que la corrección del modelo permanece estable cuando cambia la ubicación o el orden del contexto relevante.",{"term":1335,"anchor":1336,"definition":1337},"Límite de validez","validity-boundary","El alcance, tiempo, supuestos, versiones y condiciones de evidencia dentro de los cuales una conclusión sigue estando respaldada.",{},{"id":1340,"data":1341,"type":42,"tunes":1343},"h-conclusion",{"text":1342,"level":247},"Conclusión",{},{"id":1345,"data":1346,"type":218,"tunes":1348},"p-conclusion-1",{"text":1347},"La ingeniería de contexto es la capa que decide qué llega a ver el modelo antes de responder. Eso la hace más amplia que el prompting y posterior a la recuperación, a la vez que permanece distinta de la memoria duradera y del estado autoritativo de la aplicación.",{},{"id":1350,"data":1351,"type":218,"tunes":1353},"p-conclusion-2",{"text":1352},"Una arquitectura de contexto sólida no trata la ventana de contexto como una base de datos. Mantiene el estado duradero y el conocimiento fuera del modelo, carga lo necesario para la decisión actual, preserva la autoridad y la procedencia, elimina el ruido innecesario y actualiza la información volátil cuando es necesario.",{},{"id":1355,"data":1356,"type":218,"tunes":1358},"p-conclusion-3",{"text":1357},"El objetivo práctico, por tanto, no es el máximo contexto. Es el contexto mínimo suficiente, de alta señal, correctamente autorizado y que preserva la validez para la siguiente decisión del modelo.",{},{"id":1360,"data":1361,"type":42,"tunes":1363},"h-sources",{"text":1362,"level":247},"Fuentes primarias y orientación actual",{},{"id":1365,"data":1366,"type":218,"tunes":1368},"p-sources-note",{"text":1367},"Las fuentes a continuación respaldan la terminología actual de ingeniería de contexto, el comportamiento de contexto largo y los patrones operativos de gestión de contexto. Las secciones del proyecto son evidencia de implementación explícita en lugar de afirmaciones universales.",{},{"id":1370,"data":1371,"type":1377,"tunes":1378},"src-anthropic",{"link":1372,"meta":1373},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"image":1374,"title":1375,"description":1376},{"url":406},"Anthropic — Ingeniería de contexto efectiva para agentes de IA","Orientación oficial de ingeniería que define la ingeniería de contexto, la recuperación justo a tiempo, la compactación, la memoria estructurada y la curación de contexto para agentes.","linkTool",{},{"id":1380,"data":1381,"type":1377,"tunes":1387},"src-openai-session",{"link":1382,"meta":1383},"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory",{"image":1384,"title":1385,"description":1386},{"url":406},"OpenAI — Ingeniería de contexto: Gestión de memoria a corto plazo con sesiones","Orientación oficial de cookbook sobre gestión de contexto, recorte y compresión para sesiones de agentes de larga duración.",{},{"id":1389,"data":1390,"type":1377,"tunes":1396},"src-openai-agents",{"link":1391,"meta":1392},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents",{"image":1393,"title":1394,"description":1395},{"url":406},"OpenAI — Guía de agentes","Orientación actual para desarrolladores de OpenAI sobre tiempos de ejecución de agentes, contexto entre pasos y propiedad de la orquestación.",{},{"id":1398,"data":1399,"type":1377,"tunes":1405},"src-lost-middle",{"link":1400,"meta":1401},"https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.03172",{"image":1402,"title":1403,"description":1404},{"url":406},"Perdido en el medio: Cómo los modelos de lenguaje utilizan contextos largos","Investigación que muestra que el rendimiento de los modelos de contexto largo puede depender en gran medida de la posición de la información relevante en la entrada.",{},"2.31","La ingeniería de contexto diseña qué información recibe un modelo de IA antes de la inferencia, incluidos los prompts, la recuperación, la memoria, el estado de la aplicación, los resultados de las herramientas y el historial de conversación.","\u002Fuploads\u002F2026\u002F10\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers-1791480653258-018kcv.webp","what-is-context-engineering-what-the-model-receives-before-it-answers-1791480653258-018kcv","PUBLISHED","2026-10-08T13:29:00.000Z","2026-10-08T17:29:05.600Z","2026-10-08T17:43:15.694Z",{"en":1415,"de":1416,"sr":1417,"es":1418,"fr":1419,"it":1420,"ru":1421,"zh":1422},"\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fde\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fsr\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fes\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Ffr\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fit\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fru\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fzh\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers",[1424,1428,1432],{"id":1425,"name":1426,"slug":1427},55,"Modelo de referencia: Capacidades LLM","llm-capability",{"id":1429,"name":1430,"slug":1431},64,"Arquitectura de la información","information-architecture",{"id":1433,"name":1434,"slug":1435},88,"Versionado (prompts, modelos)","versioning",{"id":1437,"login":1438,"email":1439,"displayName":1440},"20","rooth8233","aleksandar@stajic.de","Aleksandar Stajić",[1442,2458],{"lang":1443,"title":1444,"content":1445,"contentJson":1446,"excerpt":2457},"en","What Is Context Engineering? What the Model Receives Before It Answers","{\"time\":1791480654232,\"blocks\":[{\"id\":\"intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering is the design of what information a language model receives at inference time, in what form, in what order and for how long. It is broader than prompt engineering because the model context can include system instructions, user messages, retrieved documents, tool results, memory, current application state, examples, structured data and intermediate artifacts. The goal is not to maximize the number of tokens, but to construct the smallest useful context that preserves the information, constraints and evidence needed for the current task.\"},\"tunes\":{}},{\"id\":\"direct\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"Prompt engineering asks \u003Cstrong>how should we instruct the model?\u003C\u002Fstrong> Context engineering asks \u003Cstrong>what should the model know right now, and how should that information be assembled?\u003C\u002Fstrong>\u003Cbr>\u003Cbr>Retrieval, memory, state management, tool design, history trimming, compaction and ordering are therefore context-engineering mechanisms when they determine the tokens available to the model before it produces the next output.\"},\"tunes\":{}},{\"id\":\"boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Context is not the same as knowledge or memory\",\"body\":\"A system can know something without placing it in the current context. It can remember something outside the model window. It can retrieve a document but later exclude it from the final prompt. The model can only directly use the context that reaches the current inference.\"},\"tunes\":{}},{\"id\":\"current\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Current-source note — 8 October 2026\",\"body\":\"Context engineering is now established practical terminology in major AI engineering guidance, but it is not a single formal standard with one mandatory architecture. Anthropic describes it as curating and maintaining the optimal set of tokens for inference; OpenAI's current agent guidance treats session context, trimming and compression as explicit engineering concerns for long-running systems.\"},\"tunes\":{}},{\"id\":\"toc\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"h-meaning\",\"type\":\"header\",\"data\":{\"text\":\"What context engineering really means\",\"level\":2},\"tunes\":{}},{\"id\":\"p-meaning-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Every model call is made under a temporary working environment: the current instructions, messages, retrieved evidence, tool outputs and state that fit into the active context window. Context engineering is the discipline of constructing that environment deliberately.\"},\"tunes\":{}},{\"id\":\"p-meaning-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The key word is deliberately. A naive system simply concatenates everything it has: full history, all retrieved documents, every tool response and large system prompts. A context-engineered system decides which information is required for the current decision and which information should remain outside the window until needed.\"},\"tunes\":{}},{\"id\":\"p-meaning-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This makes context engineering partly an information-architecture problem, partly a runtime problem and partly an evaluation problem. The design must decide what can enter context, where it comes from, which version is current, how conflicts are resolved, how much detail is retained and how the result is tested.\"},\"tunes\":{}},{\"id\":\"h-simple\",\"type\":\"header\",\"data\":{\"text\":\"The simplest example\",\"level\":2},\"tunes\":{}},{\"id\":\"p-simple-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Imagine an internal support assistant. A user asks: “Can this customer cancel without a fee?”\"},\"tunes\":{}},{\"id\":\"p-simple-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The model might need five things: the current cancellation policy, the customer's current contract type, the effective contract date, the relevant exception rules and the user's authorization scope.\"},\"tunes\":{}},{\"id\":\"p-simple-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"It does not necessarily need the entire customer database, the full policy archive, every previous conversation or every support ticket. Context engineering is the process that selects and assembles the five useful pieces while excluding unrelated information.\"},\"tunes\":{}},{\"id\":\"simple-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"From application state to model context\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Understand the task\",\"description\":\"Classify what the current question requires and which information types can affect the answer.\"},{\"label\":\"2. Resolve authoritative state\",\"description\":\"Read current application or business state that should not be guessed from memory.\"},{\"label\":\"3. Retrieve supporting knowledge\",\"description\":\"Find the policy, documents or external evidence relevant to the specific task.\"},{\"label\":\"4. Apply eligibility and permissions\",\"description\":\"Exclude data the current user or runtime is not allowed to expose to the model.\"},{\"label\":\"5. Reduce and structure\",\"description\":\"Remove duplication, select useful excerpts and preserve critical metadata, conditions and exceptions.\"},{\"label\":\"6. Order the context\",\"description\":\"Place instructions, current state and decisive evidence where the model can use them consistently.\"},{\"label\":\"7. Run inference\",\"description\":\"The model receives the assembled context and produces the next answer or action proposal.\"}]},\"tunes\":{}},{\"id\":\"h-stops\",\"type\":\"header\",\"data\":{\"text\":\"Where the simple example stops\",\"level\":2},\"tunes\":{}},{\"id\":\"p-stops-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Real systems are more difficult because the information needed for one step may not be known before execution begins. An agent can discover new facts through tools, create intermediate files, receive changing external state or span a task longer than one context window.\"},\"tunes\":{}},{\"id\":\"p-stops-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering therefore becomes dynamic. The context for step 12 should not simply be step 1 context plus eleven layers of accumulated output. It should reflect the current task state, the decisions that still matter and the evidence required for the next action.\"},\"tunes\":{}},{\"id\":\"h-anatomy\",\"type\":\"header\",\"data\":{\"text\":\"What can enter a model context?\",\"level\":2},\"tunes\":{}},{\"id\":\"anatomy-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Context component\",\"Purpose\",\"Typical risk\"],[\"System \u002F developer instructions\",\"Define role, constraints, policies and behavior\",\"Too vague, contradictory or overloaded with brittle logic\"],[\"Current user request\",\"Defines immediate task and intent\",\"Ambiguity or conflict with prior history\"],[\"Conversation history\",\"Preserves continuity across turns\",\"Stale assumptions, repetition and token growth\"],[\"Retrieved documents\",\"Provide external knowledge\u002Fevidence\",\"Irrelevance, stale versions, weak authority or duplication\"],[\"Current application state\",\"Supplies volatile business\u002Fsystem facts\",\"Using cached or remembered state instead of current authority\"],[\"Tool definitions\",\"Tell the model what capabilities exist and how to call them\",\"Too many overlapping tools or verbose schemas\"],[\"Tool results\",\"Bring observations from the environment into the loop\",\"Large noisy outputs, untrusted content or obsolete observations\"],[\"Memory\",\"Reintroduces selected information from previous interactions\",\"Staleness, incorrect generalization or over-personalization\"],[\"Examples\",\"Demonstrate desired behavior\",\"Too many edge cases can crowd out the current task\"],[\"Intermediate artifacts\",\"Carry plans, summaries, code, calculations or notes\",\"Old intermediate state may be mistaken for final truth\"],[\"Policies \u002F guardrails\",\"Define prohibited or constrained behavior\",\"Conflict with business logic or hidden enforcement gaps\"]]},\"tunes\":{}},{\"id\":\"h-prompt\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering vs prompt engineering\",\"level\":2},\"tunes\":{}},{\"id\":\"prompt-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Prompt engineering and context engineering solve different layers\",\"layout\":\"table\",\"columns\":[{\"id\":\"prompt\",\"label\":\"Prompt engineering\"},{\"id\":\"context\",\"label\":\"Context engineering\"}],\"rows\":[{\"id\":\"focus\",\"label\":\"Primary focus\",\"values\":[\"\",\"\"]},{\"id\":\"scope\",\"label\":\"Typical scope\",\"values\":[\"\",\"\"]},{\"id\":\"timing\",\"label\":\"When it changes\",\"values\":[\"\",\"\"]},{\"id\":\"failure\",\"label\":\"Typical failure\",\"values\":[\"\",\"\"]},{\"id\":\"relationship\",\"label\":\"Relationship\",\"values\":[\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"p-prompt-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic explicitly describes context engineering as the natural progression of prompt engineering for systems in which the model must work with tools, external data, message history and long-running agent state. The practical distinction is useful because a perfectly written prompt cannot compensate for missing authoritative data or a context polluted by contradictory state.\"},\"tunes\":{}},{\"id\":\"h-retrieval\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering vs retrieval\",\"level\":2},\"tunes\":{}},{\"id\":\"p-ret-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Retrieval selects candidate information from an external corpus or source. Context engineering decides what happens after and around that retrieval.\"},\"tunes\":{}},{\"id\":\"p-ret-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The retriever may return 30 passages. A reranker may reduce them to 10. The context layer may select four passages, remove duplicates, attach source\u002Fversion metadata, combine them with current application state and place them after the system instructions.\"},\"tunes\":{}},{\"id\":\"p-ret-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is why a RAG system can retrieve the correct passage and still answer badly: the failure may occur during context assembly rather than retrieval.\"},\"tunes\":{}},{\"id\":\"retrieval-boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Retrieval finds candidates; context engineering constructs the model input\",\"body\":\"The correct retrieval result is only useful if it survives filtering, ordering, compression and token-budget decisions and actually reaches the model in a usable form.\"},\"tunes\":{}},{\"id\":\"h-memory\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering vs memory\",\"level\":2},\"tunes\":{}},{\"id\":\"p-memory-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Memory is information preserved outside the immediate model invocation so it can be used again later. Context is the information actually loaded into the current invocation.\"},\"tunes\":{}},{\"id\":\"p-memory-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A memory system may contain thousands of facts, notes or prior decisions. Context engineering selects which of those should be reintroduced for the current task. Loading all memory on every turn defeats the purpose of having an external memory layer.\"},\"tunes\":{}},{\"id\":\"p-memory-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The distinction becomes crucial for volatile state. A remembered project status or user preference can be useful, but current authoritative state may need to be re-read before a consequential decision.\"},\"tunes\":{}},{\"id\":\"ref-memory\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context\",\"title\":\"AI Agent Memory Is Not RAG: How to Separate Memory, Retrieval, State and Context\",\"excerpt\":\"A practical architecture separating what persists, what is authoritative now, what is retrieved and what the model actually receives.\",\"ctaLabel\":\"Read the memory architecture article\"},\"tunes\":{}},{\"id\":\"h-state\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering vs application state\",\"level\":2},\"tunes\":{}},{\"id\":\"p-state-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Application state is the current condition of the outside system: account balance, ticket status, file version, workflow stage, deployment state or task progress.\"},\"tunes\":{}},{\"id\":\"p-state-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"State can be summarized into context, but the summary is not the state itself. For consequential operations, the runtime may need to re-read the authoritative system immediately before the action rather than trust an earlier model-visible snapshot.\"},\"tunes\":{}},{\"id\":\"state-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Context is a snapshot\",\"body\":\"Once state is copied into a prompt, it can become stale. Context engineering must define when volatile state needs refreshing and which operations require a new authoritative read.\"},\"tunes\":{}},{\"id\":\"h-tools\",\"type\":\"header\",\"data\":{\"text\":\"Tool design is part of context engineering\",\"level\":2},\"tunes\":{}},{\"id\":\"p-tools-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tools do more than give agents capabilities. Tool names, descriptions, schemas and results become model-visible information that shapes decisions.\"},\"tunes\":{}},{\"id\":\"p-tools-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic's current context-engineering guidance emphasizes token-efficient tools and warns against bloated tool sets with overlapping functionality. A tool catalog that is difficult for a human to distinguish is also difficult for a model to route reliably.\"},\"tunes\":{}},{\"id\":\"p-tools-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool outputs also need context discipline. Returning an entire 20,000-line log when the agent requested one error condition consumes attention and can bury the decisive evidence.\"},\"tunes\":{}},{\"id\":\"h-jit\",\"type\":\"header\",\"data\":{\"text\":\"Just-in-time context vs preloaded context\",\"level\":2},\"tunes\":{}},{\"id\":\"jit-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Two ways to supply information\",\"layout\":\"table\",\"columns\":[{\"id\":\"preload\",\"label\":\"Preloaded context\"},{\"id\":\"jit\",\"label\":\"Just-in-time context\"}],\"rows\":[{\"id\":\"method\",\"label\":\"Method\",\"values\":[\"\",\"\"]},{\"id\":\"strength\",\"label\":\"Strength\",\"values\":[\"\",\"\"]},{\"id\":\"risk\",\"label\":\"Risk\",\"values\":[\"\",\"\"]},{\"id\":\"best\",\"label\":\"Useful when\",\"values\":[\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"p-jit-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic describes a hybrid pattern in which some stable context is preloaded while agents retrieve additional information at runtime. This is a useful architecture pattern because not every important fact deserves permanent residency in the context window.\"},\"tunes\":{}},{\"id\":\"h-budget\",\"type\":\"header\",\"data\":{\"text\":\"Context is a budget, not a storage system\",\"level\":2},\"tunes\":{}},{\"id\":\"p-budget-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A context window defines capacity. It does not guarantee that every token will be used equally well. The model must distribute attention across instructions, history, evidence, tools and intermediate state.\"},\"tunes\":{}},{\"id\":\"p-budget-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The practical objective is therefore not “fill the window.” It is to maximize the utility of the limited attention budget.\"},\"tunes\":{}},{\"id\":\"p-budget-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic formulates a similar principle as finding the smallest high-signal set of tokens that maximizes the probability of the desired behavior. OpenAI's context-management guidance likewise warns that uncurated history, redundant tool results and noisy retrieval can overwhelm even large windows.\"},\"tunes\":{}},{\"id\":\"h-more\",\"type\":\"header\",\"data\":{\"text\":\"Why more context can be worse\",\"level\":2},\"tunes\":{}},{\"id\":\"p-more-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Additional context can introduce irrelevant information, stale state, duplicate evidence, contradictory instructions or positional competition. It can also cause compaction systems to discard details that later become important.\"},\"tunes\":{}},{\"id\":\"p-more-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The classic Lost in the Middle study demonstrated that long-context models can use information differently depending on where relevant content appears, with performance often degrading when decisive information is placed in the middle of long inputs.\"},\"tunes\":{}},{\"id\":\"p-more-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This does not mean long context is inherently bad. It means availability inside the window is not the same as reliable utilization.\"},\"tunes\":{}},{\"id\":\"h-order\",\"type\":\"header\",\"data\":{\"text\":\"Context ordering should be intentional\",\"level\":2},\"tunes\":{}},{\"id\":\"p-order-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context construction is also an ordering problem. Critical instructions, current state, decisive evidence and task-specific constraints should not be concatenated arbitrarily.\"},\"tunes\":{}},{\"id\":\"p-order-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"There is no universal perfect ordering for every model and task. The architecture should therefore test whether reordering evidence changes correctness and whether important information remains robust across realistic context variations.\"},\"tunes\":{}},{\"id\":\"p-order-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"A stable answer that changes dramatically when two equally valid passages swap positions indicates context sensitivity that should be measured rather than ignored.\"},\"tunes\":{}},{\"id\":\"h-conflict\",\"type\":\"header\",\"data\":{\"text\":\"Conflicting context needs explicit precedence\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conflict-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A model may receive an old policy and a new policy, a remembered preference and a current explicit instruction, or a cached status and a live API result. The system should not expect the model to infer precedence from prose style.\"},\"tunes\":{}},{\"id\":\"p-conflict-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering should encode precedence through source selection, metadata, ordering or explicit instructions: current authoritative state overrides stale copies; explicit current user instruction overrides older inferred preference; approved policy supersedes obsolete drafts.\"},\"tunes\":{}},{\"id\":\"conflict-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Conflict\",\"Preferred context rule\"],[\"Current state vs remembered state\",\"Refresh and prefer the authoritative current source.\"],[\"Current policy vs superseded policy\",\"Include current version; keep old version only when historical comparison is required.\"],[\"Explicit user instruction vs old inferred preference\",\"Prefer the current explicit instruction.\"],[\"Primary source vs secondary summary\",\"Use primary source for claims that require authority; summary may support explanation.\"],[\"Tool observation vs model prior\",\"Prefer current observed state when the tool is authoritative for that fact.\"],[\"Two unresolved authoritative sources\",\"Expose the conflict rather than fabricating one consistent answer.\"]]},\"tunes\":{}},{\"id\":\"h-compaction\",\"type\":\"header\",\"data\":{\"text\":\"Compaction is context transformation, not lossless storage\",\"level\":2},\"tunes\":{}},{\"id\":\"p-comp-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Long-running systems eventually need to trim, summarize or compact history. Compaction creates a new representation of prior context so the agent can continue without replaying every token.\"},\"tunes\":{}},{\"id\":\"p-comp-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's context-management examples use trimming and compression for long-running sessions. Anthropic describes compaction as a primary technique for maintaining coherence when an interaction approaches the context limit.\"},\"tunes\":{}},{\"id\":\"p-comp-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The difficult part is deciding what cannot be safely removed: unresolved tasks, identifiers, user constraints, security boundaries, architecture decisions, exceptions, source provenance and the conditions that make a previous conclusion valid.\"},\"tunes\":{}},{\"id\":\"compaction-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"A summary can preserve the conclusion and destroy the reason\",\"body\":\"If compaction keeps “use approach X” but discards why X was chosen, which version was tested or what condition would invalidate it, later responses can remain internally consistent while becoming externally wrong.\"},\"tunes\":{}},{\"id\":\"h-validity\",\"type\":\"header\",\"data\":{\"text\":\"Preserve validity boundaries\",\"level\":2},\"tunes\":{}},{\"id\":\"p-validity-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Important conclusions should carry the conditions under which they remain supported: version, date, scope, assumptions, source authority and unresolved disagreement.\"},\"tunes\":{}},{\"id\":\"p-validity-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering is therefore connected to the Answer Validity Boundary. The context assembler should not strip away the metadata that determines whether evidence still applies.\"},\"tunes\":{}},{\"id\":\"ref-avb\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers\",\"title\":\"The Answer Validity Boundary: The Missing Layer Between Relevance and Reliable AI Answers\",\"excerpt\":\"A framework for preserving the scope, assumptions, versions and evidence conditions under which an AI claim remains supported.\",\"ctaLabel\":\"Read the Answer Validity Boundary\"},\"tunes\":{}},{\"id\":\"h-security\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering is also a security boundary\",\"level\":2},\"tunes\":{}},{\"id\":\"p-sec-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Data that reaches the model has crossed an important system boundary. Context assembly must therefore respect authorization, tenant isolation, confidentiality and data-minimization rules.\"},\"tunes\":{}},{\"id\":\"p-sec-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A retriever may technically find a passage the current user cannot access. The correct design is to prevent that passage from entering model context rather than rely on the model to ignore it.\"},\"tunes\":{}},{\"id\":\"p-sec-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool outputs can also contain untrusted instructions or adversarial content. Context engineering should preserve the distinction between application instructions and external data so retrieved text cannot silently acquire instruction authority.\"},\"tunes\":{}},{\"id\":\"h-architecture\",\"type\":\"header\",\"data\":{\"text\":\"A practical context-engineering architecture\",\"level\":2},\"tunes\":{}},{\"id\":\"arch-note\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Proposed architecture model\",\"body\":\"The following layers are a practical synthesis for production systems, not a formal industry standard. The purpose is to keep information ownership separate from the temporary model-facing context.\"},\"tunes\":{}},{\"id\":\"arch-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Layer\",\"Responsibility\"],[\"Authoritative systems\",\"Own current business\u002Fsystem state and official records.\"],[\"Knowledge sources\",\"Own documents, policies, specifications, research or external evidence.\"],[\"Memory store\",\"Preserves selected information across turns or sessions.\"],[\"Retrieval layer\",\"Locates task-relevant candidates from external sources.\"],[\"Tool\u002Fruntime layer\",\"Reads state, performs actions and returns observations.\"],[\"Context assembler\",\"Selects, filters, deduplicates, orders and formats model-visible information.\"],[\"Model\",\"Reasons and generates over the assembled context.\"],[\"Validation\u002Fevaluation\",\"Checks whether selected context and resulting output satisfy task-specific requirements.\"]]},\"tunes\":{}},{\"id\":\"p-arch-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The context assembler is conceptually important even when no module has that exact name. In a small application it may be ordinary application code. In a large agent platform it may combine session management, retrieval, memory, tool middleware, compaction and policy enforcement.\"},\"tunes\":{}},{\"id\":\"h-policy\",\"type\":\"header\",\"data\":{\"text\":\"A practical context construction policy\",\"level\":2},\"tunes\":{}},{\"id\":\"policy-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Rule\",\"Why it matters\"],[\"Start from the current task\",\"Do not carry information merely because it existed earlier.\"],[\"Re-read volatile state\",\"Memory and old context can be stale.\"],[\"Retrieve just enough evidence\",\"Large candidate sets can dilute decisive information.\"],[\"Preserve source metadata\",\"Version, date and authority determine whether evidence still applies.\"],[\"Remove duplicate content\",\"Redundancy consumes tokens without adding information.\"],[\"Prefer structured summaries for large tool output\",\"Expose decisive fields instead of raw noise where fidelity permits.\"],[\"Keep rules with exceptions\",\"Separating a rule from its exception creates false certainty.\"],[\"Make precedence explicit\",\"Do not ask the model to infer which conflicting source wins.\"],[\"Keep durable state outside context\",\"Context is temporary working memory, not the database.\"],[\"Compact with retention tests\",\"Verify that identifiers, constraints, provenance and unresolved state survive.\"],[\"Measure order sensitivity\",\"Correctness should not depend accidentally on arbitrary document ordering.\"],[\"Evaluate context separately from model quality\",\"A stronger model cannot compensate reliably for missing or unauthorized evidence.\"]]},\"tunes\":{}},{\"id\":\"h-eval\",\"type\":\"header\",\"data\":{\"text\":\"How to evaluate context engineering\",\"level\":2},\"tunes\":{}},{\"id\":\"eval-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Property\",\"Question\",\"Example test\"],[\"Sufficiency\",\"Does the context contain everything required to solve the task?\",\"Remove one evidence item and observe whether the answer becomes unsupported.\"],[\"Relevance\",\"How much context is unnecessary for the task?\",\"Measure quality as irrelevant passages are added or removed.\"],[\"Authority\",\"Are decisive claims grounded in the correct source class?\",\"Inject a more fluent but non-authoritative conflicting source.\"],[\"Freshness\",\"Does current state override stale copies?\",\"Change authoritative state after a previous turn and rerun.\"],[\"Position robustness\",\"Does answer quality depend strongly on evidence position?\",\"Randomize candidate ordering across repeated trials.\"],[\"Conflict handling\",\"Does the model follow explicit precedence rules?\",\"Present old and new state together.\"],[\"Compaction retention\",\"Does summarization preserve constraints and validity boundaries?\",\"Compare pre\u002Fpost-compaction task performance.\"],[\"Token efficiency\",\"Does extra context improve quality enough to justify latency\u002Fcost?\",\"Run controlled context-size ablations.\"],[\"Security\",\"Can unauthorized or adversarial content enter model context?\",\"Test tenant, permission and prompt-injection boundaries.\"]]},\"tunes\":{}},{\"id\":\"h-rag-diagnostic\",\"type\":\"header\",\"data\":{\"text\":\"Context assembly is a distinct RAG failure layer\",\"level\":2},\"tunes\":{}},{\"id\":\"p-ragdiag-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A RAG pipeline can succeed at retrieval and still fail downstream. The relevant source may appear at rank 2, yet the context assembler can drop it, truncate it, combine it with stale contradictory material or exceed the token budget.\"},\"tunes\":{}},{\"id\":\"p-ragdiag-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is why retrieval traces should be compared with the actual context sent to the model. Without that comparison, context failures are easily misdiagnosed as embedding or model failures.\"},\"tunes\":{}},{\"id\":\"ref-ragfail\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Frag-failed-but-which-layer-actually-failed-a-diagnostic-method\",\"title\":\"RAG Failed — But Which Layer Actually Failed? A Diagnostic Method\",\"excerpt\":\"A layer-by-layer approach to separating source coverage, retrieval, ranking, context assembly, generation, evidence attribution and freshness failures.\",\"ctaLabel\":\"Read the RAG diagnostic method\"},\"tunes\":{}},{\"id\":\"h-implementation\",\"type\":\"header\",\"data\":{\"text\":\"Original implementation evidence\",\"level\":2},\"tunes\":{}},{\"id\":\"h-sot-engine\",\"type\":\"header\",\"data\":{\"text\":\"Source of Truth Research Engine: bounded research instead of unlimited context\",\"level\":3},\"tunes\":{}},{\"id\":\"p-sot-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The Source of Truth Research Engine separates discovery, acquisition, extraction, verification, contradiction analysis and synthesis into bounded research stages instead of sending one huge research task and all accumulated material into a single model call.\"},\"tunes\":{}},{\"id\":\"p-sot-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Its evidence model stores Sources, Artifacts, Claims, Relations, Contradictions and provenance outside the model context. The model can receive the subset needed for the current research step while durable evidence remains in the external store.\"},\"tunes\":{}},{\"id\":\"p-sot-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"That is a concrete context-engineering pattern: durable research state lives outside the model window; the active model context is reconstructed for the current stage.\"},\"tunes\":{}},{\"id\":\"h-ai-client\",\"type\":\"header\",\"data\":{\"text\":\"Aaasaasa AI Client: runtime, permissions and context are separate concerns\",\"level\":3},\"tunes\":{}},{\"id\":\"p-client-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Aaasaasa AI Client separates provider\u002Fmodel selection, runtime location, workspace permissions, local resources and tool access. This prevents the model context from becoming the owner of authorization or application state.\"},\"tunes\":{}},{\"id\":\"p-client-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Direct Chat and agentic runtimes can have different tool capabilities. Workspace permission profiles are enforced by the runtime rather than merely described in natural-language context. This distinction is important: context can tell a model what it should do, while the runtime must still enforce what it is actually allowed to do.\"},\"tunes\":{}},{\"id\":\"p-client-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The implementation evidence here is architectural separation, not a claim that every advanced context-management technique described in this article is already implemented.\"},\"tunes\":{}},{\"id\":\"impl-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Implementation pattern\",\"Context-engineering lesson\"],[\"External evidence store\",\"Durable knowledge does not need to remain in the model window.\"],[\"Bounded research stages\",\"Different steps can receive different context instead of accumulating one giant history.\"],[\"Claims + provenance outside context\",\"Evidence identity survives beyond temporary inference state.\"],[\"Runtime-enforced permissions\",\"Security authority does not depend on the model remembering an instruction.\"],[\"Separate local\u002Fprovider\u002Fmodel\u002Fruntime concepts\",\"Context is only one layer of the wider AI application architecture.\"]]},\"tunes\":{}},{\"id\":\"impl-boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Evidence boundary\",\"body\":\"These implementations support the architectural separation between durable state, retrieval, runtime controls and model-facing context. They are not presented as benchmark proof that one context strategy is universally optimal.\"},\"tunes\":{}},{\"id\":\"h-failures\",\"type\":\"header\",\"data\":{\"text\":\"Common context-engineering failure modes\",\"level\":2},\"tunes\":{}},{\"id\":\"failure-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Failure mode\",\"What goes wrong\"],[\"Replay the entire conversation forever\",\"Old assumptions, repetition and token growth overwhelm current intent.\"],[\"Put every retrieved result into the prompt\",\"Noise, duplication and conflicting versions dilute decisive evidence.\"],[\"Use memory as current state\",\"Stale information silently replaces authoritative live state.\"],[\"Return raw tool output\",\"Large logs or responses consume attention without adding decision value.\"],[\"Hide tool descriptions behind vague names\",\"The model cannot reliably decide which capability to use.\"],[\"Compact without retention tests\",\"Critical constraints, identifiers or exceptions disappear.\"],[\"Mix instructions and untrusted data\",\"External content can be interpreted as higher-authority instruction.\"],[\"Use one static context template for every task\",\"Different tasks receive irrelevant information and miss task-specific evidence.\"],[\"Ignore source version\u002Fdate\",\"Stale but relevant evidence can dominate current authoritative state.\"],[\"Treat a larger context window as a quality guarantee\",\"Capacity increases while attention and conflict problems remain.\"]]},\"tunes\":{}},{\"id\":\"h-misconceptions\",\"type\":\"header\",\"data\":{\"text\":\"Common misconceptions\",\"level\":2},\"tunes\":{}},{\"id\":\"misconceptions-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Misconception\",\"Correction\"],[\"“Context engineering is just prompt engineering with a new name.”\",\"Prompts are one component; context engineering also covers retrieval, memory, state, tool results, history and compaction.\"],[\"“Context means chat history.”\",\"History is only one possible context source.\"],[\"“More context is always better.”\",\"Additional information can reduce signal, introduce conflicts and increase cost.\"],[\"“If retrieval found it, the model saw it.”\",\"Retrieved candidates can be filtered, truncated or omitted before inference.\"],[\"“Long context removes the need for RAG.”\",\"Large windows increase capacity but do not solve freshness, authority, permissions or dynamic retrieval.\"],[\"“Memory should always be loaded.”\",\"Memory should be selected according to the current task.\"],[\"“A summary preserves everything important.”\",\"Compaction is lossy unless explicitly evaluated for retention.\"],[\"“Instructions can enforce permissions.”\",\"Authorization must be enforced by runtime\u002Fapplication controls, not only by context.\"],[\"“One context recipe works for every model.”\",\"Context sensitivity varies by model, task, corpus and runtime.\"],[\"“Context engineering is only for agents.”\",\"Agents amplify the need, but ordinary RAG and conversational applications also require context construction.\"]]},\"tunes\":{}},{\"id\":\"h-sequence\",\"type\":\"header\",\"data\":{\"text\":\"A practical context-engineering sequence\",\"level\":2},\"tunes\":{}},{\"id\":\"design-sequence\",\"type\":\"processFlow\",\"data\":{\"title\":\"Construct context from the current decision backward\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Define the next model decision\",\"description\":\"Specify what the model must answer, classify, plan or choose at this step.\"},{\"label\":\"2. Identify required facts and constraints\",\"description\":\"List the minimum state, rules, evidence and instructions that can materially change the result.\"},{\"label\":\"3. Resolve authority and permissions\",\"description\":\"Determine which sources are current, authoritative and accessible to the current principal.\"},{\"label\":\"4. Retrieve or read on demand\",\"description\":\"Acquire the necessary evidence and volatile state rather than relying on stale context.\"},{\"label\":\"5. Reduce noise\",\"description\":\"Deduplicate, summarize or select passages without discarding decisive exceptions or provenance.\"},{\"label\":\"6. Structure and order\",\"description\":\"Make instructions, current state, evidence and tool observations distinguishable.\"},{\"label\":\"7. Fit the token budget\",\"description\":\"Prefer high-signal context and move durable information outside the window.\"},{\"label\":\"8. Run the model\",\"description\":\"Execute inference over the assembled context.\"},{\"label\":\"9. Observe failures\",\"description\":\"Capture whether the problem came from missing, stale, noisy, conflicting or poorly ordered context.\"},{\"label\":\"10. Re-evaluate after model\u002Fruntime changes\",\"description\":\"A context strategy is only valid for the models, tools and workloads on which it was tested.\"}]},\"tunes\":{}},{\"id\":\"h-checklist\",\"type\":\"header\",\"data\":{\"text\":\"Context-engineering checklist\",\"level\":2},\"tunes\":{}},{\"id\":\"checklist-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Question\",\"Expected answer\"],[\"What exact decision will the model make next?\",\"A bounded task, not a vague long-term objective.\"],[\"Which information can materially change that decision?\",\"Explicit minimum evidence\u002Fstate set.\"],[\"Which data is authoritative now?\",\"Current source\u002Fversion and freshness rule.\"],[\"Which data is optional background?\",\"Separated from decisive evidence.\"],[\"What must not enter context?\",\"Unauthorized, unnecessary or overly sensitive data.\"],[\"Which memory items are relevant?\",\"Selected by task, not replayed automatically.\"],[\"Which tool outputs should be reduced?\",\"Large responses are transformed into decision-relevant form.\"],[\"Which constraints must survive compaction?\",\"Identifiers, exceptions, obligations, unresolved state and provenance.\"],[\"How is precedence represented?\",\"Current\u002Fauthoritative information can reliably override stale or weaker sources.\"],[\"How will you know context failed?\",\"Context-specific evals and traces exist.\"],[\"Can the answer be reproduced?\",\"Model input or reconstructable context trace is available where appropriate.\"],[\"Can a stronger or larger model change the strategy?\",\"Context policy is version-aware and reevaluated empirically.\"]]},\"tunes\":{}},{\"id\":\"h-edge\",\"type\":\"header\",\"data\":{\"text\":\"Edge cases and limitations\",\"level\":2},\"tunes\":{}},{\"id\":\"p-edge-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some tasks are simple enough that context engineering reduces to a short system prompt and one user message. Adding retrieval, memory and compaction would only introduce unnecessary architecture.\"},\"tunes\":{}},{\"id\":\"p-edge-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some tasks require high recall and may intentionally include more context before later synthesis. Research, discovery and legal review can prefer omission avoidance over minimal token count.\"},\"tunes\":{}},{\"id\":\"p-edge-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some information should never be summarized before use. Exact contracts, code, cryptographic material, numerical records and regulatory text may require verbatim or structured retrieval where compression could alter meaning.\"},\"tunes\":{}},{\"id\":\"p-edge-4\",\"type\":\"paragraph\",\"data\":{\"text\":\"Long-context behavior varies substantially between models. A strategy validated on one model, context length or tool harness should not automatically be transferred to another.\"},\"tunes\":{}},{\"id\":\"p-edge-5\",\"type\":\"paragraph\",\"data\":{\"text\":\"The model can still ignore or misinterpret excellent context. Context engineering improves the information environment; it does not guarantee reasoning correctness.\"},\"tunes\":{}},{\"id\":\"h-change\",\"type\":\"header\",\"data\":{\"text\":\"What would change this answer?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Future models may become more robust to long context, positional effects and conflicting information. That could reduce the amount of manual curation required.\"},\"tunes\":{}},{\"id\":\"p-change-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architectural distinction would still remain useful because permissions, freshness, memory persistence, source authority and external application state exist outside the model regardless of context-window size.\"},\"tunes\":{}},{\"id\":\"p-change-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The recommended balance between preloaded and just-in-time context also changes with latency requirements, tool reliability, corpus size, model cost and how dynamic the underlying information is.\"},\"tunes\":{}},{\"id\":\"h-related\",\"type\":\"header\",\"data\":{\"text\":\"Related canonical knowledge\",\"level\":2},\"tunes\":{}},{\"id\":\"p-related-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering sits between retrieval and generation. RAG explains how external knowledge is retrieved; R01 separates embeddings, vector search and reranking; context engineering explains what eventually reaches the model.\"},\"tunes\":{}},{\"id\":\"ref-rag\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works\",\"title\":\"What Is RAG? The Simplest Explanation of How It Works\",\"excerpt\":\"The retrieval foundation for understanding how external knowledge can be supplied to a model before generation.\",\"ctaLabel\":\"Read the RAG foundation\"},\"tunes\":{}},{\"id\":\"p-related-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Source-of-Truth architecture answers a different question: not which information is present in context, but which source is authorized to establish a claim.\"},\"tunes\":{}},{\"id\":\"p-related-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The existing article Why More Context Can Make AI Answers Worse is the diagnostic companion to this canonical definition. It focuses on context pollution, position effects, top-k growth, compaction loss and answer degradation rather than redefining context engineering itself.\"},\"tunes\":{}},{\"id\":\"h-faq\",\"type\":\"header\",\"data\":{\"text\":\"Frequently asked questions\",\"level\":2},\"tunes\":{}},{\"id\":\"faq\",\"type\":\"faq\",\"data\":{\"title\":\"Context engineering FAQ\",\"items\":[{\"id\":\"faq1\",\"question\":\"What is context engineering?\",\"answer\":\"Context engineering is the design and runtime management of what information a language model receives at inference time, including instructions, history, retrieved evidence, memory, state, tools and tool results.\"},{\"id\":\"faq2\",\"question\":\"How is context engineering different from prompt engineering?\",\"answer\":\"Prompt engineering focuses on how instructions and examples are written. Context engineering includes prompts but also decides which external information, state, history, memory and tool observations are placed around them.\"},{\"id\":\"faq3\",\"question\":\"Is RAG the same as context engineering?\",\"answer\":\"No. RAG retrieves external information. Context engineering decides how retrieved information is filtered, combined with other state and actually delivered to the model.\"},{\"id\":\"faq4\",\"question\":\"Is memory the same as context?\",\"answer\":\"No. Memory persists information outside the current model call. Context is the subset of information loaded into the current inference.\"},{\"id\":\"faq5\",\"question\":\"Why can more context make an answer worse?\",\"answer\":\"Additional context can introduce noise, stale state, conflicting evidence, duplication and positional competition. Large context capacity does not guarantee equally reliable use of every token.\"},{\"id\":\"faq6\",\"question\":\"What is context compaction?\",\"answer\":\"Compaction summarizes or transforms accumulated history into a smaller representation so a long-running system can continue without replaying every prior token.\"},{\"id\":\"faq7\",\"question\":\"Should current application state be stored in context?\",\"answer\":\"It can be represented in context for reasoning, but consequential operations should often re-read the authoritative source because context snapshots can become stale.\"},{\"id\":\"faq8\",\"question\":\"Is context engineering only needed for AI agents?\",\"answer\":\"No. Agents make context management more dynamic, but RAG systems, assistants, copilots and multi-turn applications also need deliberate context construction.\"}]},\"tunes\":{}},{\"id\":\"h-glossary\",\"type\":\"header\",\"data\":{\"text\":\"Glossary\",\"level\":2},\"tunes\":{}},{\"id\":\"glossary\",\"type\":\"glossary\",\"data\":{\"title\":\"Key context-engineering terms\",\"entries\":[{\"term\":\"Context engineering\",\"definition\":\"The design and runtime management of the information supplied to a language model for a particular inference step.\",\"anchor\":\"context-engineering\"},{\"term\":\"Context window\",\"definition\":\"The model's finite token capacity for the input and, depending on the model interface, associated generated tokens or active sequence.\",\"anchor\":\"context-window\"},{\"term\":\"Prompt engineering\",\"definition\":\"The design of instructions, examples and prompt structure intended to elicit useful model behavior.\",\"anchor\":\"prompt-engineering\"},{\"term\":\"Context assembly\",\"definition\":\"The process of selecting, filtering, ordering and formatting model-visible information before inference.\",\"anchor\":\"context-assembly\"},{\"term\":\"Just-in-time retrieval\",\"definition\":\"Loading information dynamically when the current task requires it instead of preloading all potentially relevant data.\",\"anchor\":\"just-in-time-retrieval\"},{\"term\":\"Compaction\",\"definition\":\"Reducing accumulated context into a smaller representation while attempting to preserve information needed for future steps.\",\"anchor\":\"compaction\"},{\"term\":\"Context pollution\",\"definition\":\"Degradation caused by irrelevant, stale, contradictory or redundant information occupying the model's working context.\",\"anchor\":\"context-pollution\"},{\"term\":\"Application state\",\"definition\":\"The current authoritative condition of the external system, workflow or domain that exists independently of the model context.\",\"anchor\":\"application-state\"},{\"term\":\"Memory\",\"definition\":\"Information stored outside the immediate model invocation for possible use in later turns or sessions.\",\"anchor\":\"memory\"},{\"term\":\"Retrieved context\",\"definition\":\"External information selected by a retrieval system and made available, wholly or partly, to the model.\",\"anchor\":\"retrieved-context\"},{\"term\":\"Position robustness\",\"definition\":\"The degree to which model correctness remains stable when the location or order of relevant context changes.\",\"anchor\":\"position-robustness\"},{\"term\":\"Validity boundary\",\"definition\":\"The scope, time, assumptions, versions and evidence conditions within which a conclusion remains supported.\",\"anchor\":\"validity-boundary\"}]},\"tunes\":{}},{\"id\":\"h-conclusion\",\"type\":\"header\",\"data\":{\"text\":\"Conclusion\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conclusion-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering is the layer that decides what the model gets to see before it answers. That makes it broader than prompting and downstream of retrieval, while remaining distinct from durable memory and authoritative application state.\"},\"tunes\":{}},{\"id\":\"p-conclusion-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A strong context architecture does not treat the context window as a database. It keeps durable state and knowledge outside the model, loads what is required for the current decision, preserves authority and provenance, removes unnecessary noise and refreshes volatile information when needed.\"},\"tunes\":{}},{\"id\":\"p-conclusion-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The practical objective is therefore not maximum context. It is minimum sufficient, high-signal, correctly authorized and validity-preserving context for the next model decision.\"},\"tunes\":{}},{\"id\":\"h-sources\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources and current guidance\",\"level\":2},\"tunes\":{}},{\"id\":\"p-sources-note\",\"type\":\"paragraph\",\"data\":{\"text\":\"The sources below support the current context-engineering terminology, long-context behavior and operational context-management patterns. Project sections are explicitly implementation evidence rather than universal claims.\"},\"tunes\":{}},{\"id\":\"src-anthropic\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective context engineering for AI agents\",\"description\":\"Official engineering guidance defining context engineering, just-in-time retrieval, compaction, structured memory and context curation for agents.\"}},\"tunes\":{}},{\"id\":\"src-openai-session\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Context Engineering: Short-Term Memory Management with Sessions\",\"description\":\"Official cookbook guidance on context management, trimming and compression for long-running agent sessions.\"}},\"tunes\":{}},{\"id\":\"src-openai-agents\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Agents guide\",\"description\":\"Current OpenAI developer guidance on agent runtimes, context across steps and orchestration ownership.\"}},\"tunes\":{}},{\"id\":\"src-lost-middle\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.03172\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Lost in the Middle: How Language Models Use Long Contexts\",\"description\":\"Research showing that long-context model performance can depend strongly on the position of relevant information in the input.\"}},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":1447,"blocks":1448,"version":2456},1791480654232,[1449,1453,1458,1463,1468,1472,1476,1480,1484,1488,1492,1496,1500,1504,1530,1534,1538,1542,1546,1598,1602,1627,1631,1635,1639,1643,1647,1652,1656,1660,1664,1668,1675,1679,1683,1687,1692,1696,1700,1704,1708,1712,1734,1738,1742,1746,1750,1754,1758,1762,1766,1770,1774,1778,1782,1786,1790,1794,1798,1823,1827,1831,1835,1839,1844,1848,1852,1856,1863,1867,1871,1875,1879,1883,1888,1919,1923,1927,1970,1974,2018,2022,2026,2030,2037,2041,2045,2049,2053,2057,2061,2065,2069,2073,2095,2100,2104,2141,2145,2182,2186,2221,2225,2267,2271,2275,2279,2283,2287,2291,2295,2299,2303,2307,2311,2315,2322,2326,2330,2334,2363,2367,2404,2408,2412,2416,2420,2424,2428,2435,2442,2449],{"id":215,"data":1450,"type":218,"tunes":1452},{"text":1451},"Context engineering is the design of what information a language model receives at inference time, in what form, in what order and for how long. It is broader than prompt engineering because the model context can include system instructions, user messages, retrieved documents, tool results, memory, current application state, examples, structured data and intermediate artifacts. The goal is not to maximize the number of tokens, but to construct the smallest useful context that preserves the information, constraints and evidence needed for the current task.",{},{"id":221,"data":1454,"type":226,"tunes":1457},{"body":1455,"title":1456,"variant":225},"Prompt engineering asks \u003Cstrong>how should we instruct the model?\u003C\u002Fstrong> Context engineering asks \u003Cstrong>what should the model know right now, and how should that information be assembled?\u003C\u002Fstrong>\u003Cbr>\u003Cbr>Retrieval, memory, state management, tool design, history trimming, compaction and ordering are therefore context-engineering mechanisms when they determine the tokens available to the model before it produces the next output.","Direct answer",{},{"id":229,"data":1459,"type":226,"tunes":1462},{"body":1460,"title":1461,"variant":233},"A system can know something without placing it in the current context. It can remember something outside the model window. It can retrieve a document but later exclude it from the final prompt. The model can only directly use the context that reaches the current inference.","Context is not the same as knowledge or memory",{},{"id":236,"data":1464,"type":226,"tunes":1467},{"body":1465,"title":1466,"variant":240},"Context engineering is now established practical terminology in major AI engineering guidance, but it is not a single formal standard with one mandatory architecture. Anthropic describes it as curating and maintaining the optimal set of tokens for inference; OpenAI's current agent guidance treats session context, trimming and compression as explicit engineering concerns for long-running systems.","Current-source note — 8 October 2026",{},{"id":243,"data":1469,"type":248,"tunes":1471},{"title":1470,"maxLevel":246,"minLevel":247},"Contents",{},{"id":251,"data":1473,"type":42,"tunes":1475},{"text":1474,"level":247},"What context engineering really means",{},{"id":256,"data":1477,"type":218,"tunes":1479},{"text":1478},"Every model call is made under a temporary working environment: the current instructions, messages, retrieved evidence, tool outputs and state that fit into the active context window. Context engineering is the discipline of constructing that environment deliberately.",{},{"id":261,"data":1481,"type":218,"tunes":1483},{"text":1482},"The key word is deliberately. A naive system simply concatenates everything it has: full history, all retrieved documents, every tool response and large system prompts. A context-engineered system decides which information is required for the current decision and which information should remain outside the window until needed.",{},{"id":266,"data":1485,"type":218,"tunes":1487},{"text":1486},"This makes context engineering partly an information-architecture problem, partly a runtime problem and partly an evaluation problem. The design must decide what can enter context, where it comes from, which version is current, how conflicts are resolved, how much detail is retained and how the result is tested.",{},{"id":271,"data":1489,"type":42,"tunes":1491},{"text":1490,"level":247},"The simplest example",{},{"id":276,"data":1493,"type":218,"tunes":1495},{"text":1494},"Imagine an internal support assistant. A user asks: “Can this customer cancel without a fee?”",{},{"id":281,"data":1497,"type":218,"tunes":1499},{"text":1498},"The model might need five things: the current cancellation policy, the customer's current contract type, the effective contract date, the relevant exception rules and the user's authorization scope.",{},{"id":286,"data":1501,"type":218,"tunes":1503},{"text":1502},"It does not necessarily need the entire customer database, the full policy archive, every previous conversation or every support ticket. Context engineering is the process that selects and assembles the five useful pieces while excluding unrelated information.",{},{"id":291,"data":1505,"type":317,"tunes":1529},{"steps":1506,"title":1528,"orientation":316},[1507,1510,1513,1516,1519,1522,1525],{"label":1508,"description":1509},"1. Understand the task","Classify what the current question requires and which information types can affect the answer.",{"label":1511,"description":1512},"2. Resolve authoritative state","Read current application or business state that should not be guessed from memory.",{"label":1514,"description":1515},"3. Retrieve supporting knowledge","Find the policy, documents or external evidence relevant to the specific task.",{"label":1517,"description":1518},"4. Apply eligibility and permissions","Exclude data the current user or runtime is not allowed to expose to the model.",{"label":1520,"description":1521},"5. Reduce and structure","Remove duplication, select useful excerpts and preserve critical metadata, conditions and exceptions.",{"label":1523,"description":1524},"6. Order the context","Place instructions, current state and decisive evidence where the model can use them consistently.",{"label":1526,"description":1527},"7. Run inference","The model receives the assembled context and produces the next answer or action proposal.","From application state to model context",{},{"id":320,"data":1531,"type":42,"tunes":1533},{"text":1532,"level":247},"Where the simple example stops",{},{"id":325,"data":1535,"type":218,"tunes":1537},{"text":1536},"Real systems are more difficult because the information needed for one step may not be known before execution begins. An agent can discover new facts through tools, create intermediate files, receive changing external state or span a task longer than one context window.",{},{"id":330,"data":1539,"type":218,"tunes":1541},{"text":1540},"Context engineering therefore becomes dynamic. The context for step 12 should not simply be step 1 context plus eleven layers of accumulated output. It should reflect the current task state, the decisions that still matter and the evidence required for the next action.",{},{"id":335,"data":1543,"type":42,"tunes":1545},{"text":1544,"level":247},"What can enter a model context?",{},{"id":340,"data":1547,"type":391,"tunes":1597},{"content":1548,"stretched":43,"withHeadings":14},[1549,1553,1557,1561,1565,1569,1573,1577,1581,1585,1589,1593],[1550,1551,1552],"Context component","Purpose","Typical risk",[1554,1555,1556],"System \u002F developer instructions","Define role, constraints, policies and behavior","Too vague, contradictory or overloaded with brittle logic",[1558,1559,1560],"Current user request","Defines immediate task and intent","Ambiguity or conflict with prior history",[1562,1563,1564],"Conversation history","Preserves continuity across turns","Stale assumptions, repetition and token growth",[1566,1567,1568],"Retrieved documents","Provide external knowledge\u002Fevidence","Irrelevance, stale versions, weak authority or duplication",[1570,1571,1572],"Current application state","Supplies volatile business\u002Fsystem facts","Using cached or remembered state instead of current authority",[1574,1575,1576],"Tool definitions","Tell the model what capabilities exist and how to call them","Too many overlapping tools or verbose schemas",[1578,1579,1580],"Tool results","Bring observations from the environment into the loop","Large noisy outputs, untrusted content or obsolete observations",[1582,1583,1584],"Memory","Reintroduces selected information from previous interactions","Staleness, incorrect generalization or over-personalization",[1586,1587,1588],"Examples","Demonstrate desired behavior","Too many edge cases can crowd out the current task",[1590,1591,1592],"Intermediate artifacts","Carry plans, summaries, code, calculations or notes","Old intermediate state may be mistaken for final truth",[1594,1595,1596],"Policies \u002F guardrails","Define prohibited or constrained behavior","Conflict with business logic or hidden enforcement gaps",{},{"id":394,"data":1599,"type":42,"tunes":1601},{"text":1600,"level":247},"Context engineering vs prompt engineering",{},{"id":399,"data":1603,"type":431,"tunes":1626},{"rows":1604,"title":1620,"layout":391,"columns":1621},[1605,1608,1611,1614,1617],{"id":403,"label":1606,"values":1607},"Primary focus",[406,406],{"id":408,"label":1609,"values":1610},"Typical scope",[406,406],{"id":412,"label":1612,"values":1613},"When it changes",[406,406],{"id":416,"label":1615,"values":1616},"Typical failure",[406,406],{"id":420,"label":1618,"values":1619},"Relationship",[406,406],"Prompt engineering and context engineering solve different layers",[1622,1624],{"id":426,"label":1623},"Prompt engineering",{"id":429,"label":1625},"Context engineering",{},{"id":434,"data":1628,"type":218,"tunes":1630},{"text":1629},"Anthropic explicitly describes context engineering as the natural progression of prompt engineering for systems in which the model must work with tools, external data, message history and long-running agent state. The practical distinction is useful because a perfectly written prompt cannot compensate for missing authoritative data or a context polluted by contradictory state.",{},{"id":439,"data":1632,"type":42,"tunes":1634},{"text":1633,"level":247},"Context engineering vs retrieval",{},{"id":444,"data":1636,"type":218,"tunes":1638},{"text":1637},"Retrieval selects candidate information from an external corpus or source. Context engineering decides what happens after and around that retrieval.",{},{"id":449,"data":1640,"type":218,"tunes":1642},{"text":1641},"The retriever may return 30 passages. A reranker may reduce them to 10. The context layer may select four passages, remove duplicates, attach source\u002Fversion metadata, combine them with current application state and place them after the system instructions.",{},{"id":454,"data":1644,"type":218,"tunes":1646},{"text":1645},"This is why a RAG system can retrieve the correct passage and still answer badly: the failure may occur during context assembly rather than retrieval.",{},{"id":459,"data":1648,"type":226,"tunes":1651},{"body":1649,"title":1650,"variant":463},"The correct retrieval result is only useful if it survives filtering, ordering, compression and token-budget decisions and actually reaches the model in a usable form.","Retrieval finds candidates; context engineering constructs the model input",{},{"id":466,"data":1653,"type":42,"tunes":1655},{"text":1654,"level":247},"Context engineering vs memory",{},{"id":471,"data":1657,"type":218,"tunes":1659},{"text":1658},"Memory is information preserved outside the immediate model invocation so it can be used again later. Context is the information actually loaded into the current invocation.",{},{"id":476,"data":1661,"type":218,"tunes":1663},{"text":1662},"A memory system may contain thousands of facts, notes or prior decisions. Context engineering selects which of those should be reintroduced for the current task. Loading all memory on every turn defeats the purpose of having an external memory layer.",{},{"id":481,"data":1665,"type":218,"tunes":1667},{"text":1666},"The distinction becomes crucial for volatile state. A remembered project status or user preference can be useful, but current authoritative state may need to be re-read before a consequential decision.",{},{"id":486,"data":1669,"type":492,"tunes":1674},{"url":1670,"title":1671,"excerpt":1672,"ctaLabel":1673},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","AI Agent Memory Is Not RAG: How to Separate Memory, Retrieval, State and Context","A practical architecture separating what persists, what is authoritative now, what is retrieved and what the model actually receives.","Read the memory architecture article",{},{"id":495,"data":1676,"type":42,"tunes":1678},{"text":1677,"level":247},"Context engineering vs application state",{},{"id":500,"data":1680,"type":218,"tunes":1682},{"text":1681},"Application state is the current condition of the outside system: account balance, ticket status, file version, workflow stage, deployment state or task progress.",{},{"id":505,"data":1684,"type":218,"tunes":1686},{"text":1685},"State can be summarized into context, but the summary is not the state itself. For consequential operations, the runtime may need to re-read the authoritative system immediately before the action rather than trust an earlier model-visible snapshot.",{},{"id":510,"data":1688,"type":226,"tunes":1691},{"body":1689,"title":1690,"variant":233},"Once state is copied into a prompt, it can become stale. Context engineering must define when volatile state needs refreshing and which operations require a new authoritative read.","Context is a snapshot",{},{"id":516,"data":1693,"type":42,"tunes":1695},{"text":1694,"level":247},"Tool design is part of context engineering",{},{"id":521,"data":1697,"type":218,"tunes":1699},{"text":1698},"Tools do more than give agents capabilities. Tool names, descriptions, schemas and results become model-visible information that shapes decisions.",{},{"id":526,"data":1701,"type":218,"tunes":1703},{"text":1702},"Anthropic's current context-engineering guidance emphasizes token-efficient tools and warns against bloated tool sets with overlapping functionality. A tool catalog that is difficult for a human to distinguish is also difficult for a model to route reliably.",{},{"id":531,"data":1705,"type":218,"tunes":1707},{"text":1706},"Tool outputs also need context discipline. Returning an entire 20,000-line log when the agent requested one error condition consumes attention and can bury the decisive evidence.",{},{"id":536,"data":1709,"type":42,"tunes":1711},{"text":1710,"level":247},"Just-in-time context vs preloaded context",{},{"id":541,"data":1713,"type":431,"tunes":1733},{"rows":1714,"title":1727,"layout":391,"columns":1728},[1715,1718,1721,1724],{"id":545,"label":1716,"values":1717},"Method",[406,406],{"id":549,"label":1719,"values":1720},"Strength",[406,406],{"id":553,"label":1722,"values":1723},"Risk",[406,406],{"id":557,"label":1725,"values":1726},"Useful when",[406,406],"Two ways to supply information",[1729,1731],{"id":563,"label":1730},"Preloaded context",{"id":566,"label":1732},"Just-in-time context",{},{"id":570,"data":1735,"type":218,"tunes":1737},{"text":1736},"Anthropic describes a hybrid pattern in which some stable context is preloaded while agents retrieve additional information at runtime. This is a useful architecture pattern because not every important fact deserves permanent residency in the context window.",{},{"id":575,"data":1739,"type":42,"tunes":1741},{"text":1740,"level":247},"Context is a budget, not a storage system",{},{"id":580,"data":1743,"type":218,"tunes":1745},{"text":1744},"A context window defines capacity. It does not guarantee that every token will be used equally well. The model must distribute attention across instructions, history, evidence, tools and intermediate state.",{},{"id":585,"data":1747,"type":218,"tunes":1749},{"text":1748},"The practical objective is therefore not “fill the window.” It is to maximize the utility of the limited attention budget.",{},{"id":590,"data":1751,"type":218,"tunes":1753},{"text":1752},"Anthropic formulates a similar principle as finding the smallest high-signal set of tokens that maximizes the probability of the desired behavior. OpenAI's context-management guidance likewise warns that uncurated history, redundant tool results and noisy retrieval can overwhelm even large windows.",{},{"id":595,"data":1755,"type":42,"tunes":1757},{"text":1756,"level":247},"Why more context can be worse",{},{"id":600,"data":1759,"type":218,"tunes":1761},{"text":1760},"Additional context can introduce irrelevant information, stale state, duplicate evidence, contradictory instructions or positional competition. It can also cause compaction systems to discard details that later become important.",{},{"id":605,"data":1763,"type":218,"tunes":1765},{"text":1764},"The classic Lost in the Middle study demonstrated that long-context models can use information differently depending on where relevant content appears, with performance often degrading when decisive information is placed in the middle of long inputs.",{},{"id":610,"data":1767,"type":218,"tunes":1769},{"text":1768},"This does not mean long context is inherently bad. It means availability inside the window is not the same as reliable utilization.",{},{"id":615,"data":1771,"type":42,"tunes":1773},{"text":1772,"level":247},"Context ordering should be intentional",{},{"id":620,"data":1775,"type":218,"tunes":1777},{"text":1776},"Context construction is also an ordering problem. Critical instructions, current state, decisive evidence and task-specific constraints should not be concatenated arbitrarily.",{},{"id":625,"data":1779,"type":218,"tunes":1781},{"text":1780},"There is no universal perfect ordering for every model and task. The architecture should therefore test whether reordering evidence changes correctness and whether important information remains robust across realistic context variations.",{},{"id":630,"data":1783,"type":218,"tunes":1785},{"text":1784},"A stable answer that changes dramatically when two equally valid passages swap positions indicates context sensitivity that should be measured rather than ignored.",{},{"id":635,"data":1787,"type":42,"tunes":1789},{"text":1788,"level":247},"Conflicting context needs explicit precedence",{},{"id":640,"data":1791,"type":218,"tunes":1793},{"text":1792},"A model may receive an old policy and a new policy, a remembered preference and a current explicit instruction, or a cached status and a live API result. The system should not expect the model to infer precedence from prose style.",{},{"id":645,"data":1795,"type":218,"tunes":1797},{"text":1796},"Context engineering should encode precedence through source selection, metadata, ordering or explicit instructions: current authoritative state overrides stale copies; explicit current user instruction overrides older inferred preference; approved policy supersedes obsolete drafts.",{},{"id":650,"data":1799,"type":391,"tunes":1822},{"content":1800,"stretched":43,"withHeadings":14},[1801,1804,1807,1810,1813,1816,1819],[1802,1803],"Conflict","Preferred context rule",[1805,1806],"Current state vs remembered state","Refresh and prefer the authoritative current source.",[1808,1809],"Current policy vs superseded policy","Include current version; keep old version only when historical comparison is required.",[1811,1812],"Explicit user instruction vs old inferred preference","Prefer the current explicit instruction.",[1814,1815],"Primary source vs secondary summary","Use primary source for claims that require authority; summary may support explanation.",[1817,1818],"Tool observation vs model prior","Prefer current observed state when the tool is authoritative for that fact.",[1820,1821],"Two unresolved authoritative sources","Expose the conflict rather than fabricating one consistent answer.",{},{"id":676,"data":1824,"type":42,"tunes":1826},{"text":1825,"level":247},"Compaction is context transformation, not lossless storage",{},{"id":681,"data":1828,"type":218,"tunes":1830},{"text":1829},"Long-running systems eventually need to trim, summarize or compact history. Compaction creates a new representation of prior context so the agent can continue without replaying every token.",{},{"id":686,"data":1832,"type":218,"tunes":1834},{"text":1833},"OpenAI's context-management examples use trimming and compression for long-running sessions. Anthropic describes compaction as a primary technique for maintaining coherence when an interaction approaches the context limit.",{},{"id":691,"data":1836,"type":218,"tunes":1838},{"text":1837},"The difficult part is deciding what cannot be safely removed: unresolved tasks, identifiers, user constraints, security boundaries, architecture decisions, exceptions, source provenance and the conditions that make a previous conclusion valid.",{},{"id":696,"data":1840,"type":226,"tunes":1843},{"body":1841,"title":1842,"variant":233},"If compaction keeps “use approach X” but discards why X was chosen, which version was tested or what condition would invalidate it, later responses can remain internally consistent while becoming externally wrong.","A summary can preserve the conclusion and destroy the reason",{},{"id":702,"data":1845,"type":42,"tunes":1847},{"text":1846,"level":247},"Preserve validity boundaries",{},{"id":707,"data":1849,"type":218,"tunes":1851},{"text":1850},"Important conclusions should carry the conditions under which they remain supported: version, date, scope, assumptions, source authority and unresolved disagreement.",{},{"id":712,"data":1853,"type":218,"tunes":1855},{"text":1854},"Context engineering is therefore connected to the Answer Validity Boundary. The context assembler should not strip away the metadata that determines whether evidence still applies.",{},{"id":717,"data":1857,"type":492,"tunes":1862},{"url":1858,"title":1859,"excerpt":1860,"ctaLabel":1861},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","The Answer Validity Boundary: The Missing Layer Between Relevance and Reliable AI Answers","A framework for preserving the scope, assumptions, versions and evidence conditions under which an AI claim remains supported.","Read the Answer Validity Boundary",{},{"id":725,"data":1864,"type":42,"tunes":1866},{"text":1865,"level":247},"Context engineering is also a security boundary",{},{"id":730,"data":1868,"type":218,"tunes":1870},{"text":1869},"Data that reaches the model has crossed an important system boundary. Context assembly must therefore respect authorization, tenant isolation, confidentiality and data-minimization rules.",{},{"id":735,"data":1872,"type":218,"tunes":1874},{"text":1873},"A retriever may technically find a passage the current user cannot access. The correct design is to prevent that passage from entering model context rather than rely on the model to ignore it.",{},{"id":740,"data":1876,"type":218,"tunes":1878},{"text":1877},"Tool outputs can also contain untrusted instructions or adversarial content. Context engineering should preserve the distinction between application instructions and external data so retrieved text cannot silently acquire instruction authority.",{},{"id":745,"data":1880,"type":42,"tunes":1882},{"text":1881,"level":247},"A practical context-engineering architecture",{},{"id":750,"data":1884,"type":226,"tunes":1887},{"body":1885,"title":1886,"variant":240},"The following layers are a practical synthesis for production systems, not a formal industry standard. The purpose is to keep information ownership separate from the temporary model-facing context.","Proposed architecture model",{},{"id":756,"data":1889,"type":391,"tunes":1918},{"content":1890,"stretched":43,"withHeadings":14},[1891,1894,1897,1900,1903,1906,1909,1912,1915],[1892,1893],"Layer","Responsibility",[1895,1896],"Authoritative systems","Own current business\u002Fsystem state and official records.",[1898,1899],"Knowledge sources","Own documents, policies, specifications, research or external evidence.",[1901,1902],"Memory store","Preserves selected information across turns or sessions.",[1904,1905],"Retrieval layer","Locates task-relevant candidates from external sources.",[1907,1908],"Tool\u002Fruntime layer","Reads state, performs actions and returns observations.",[1910,1911],"Context assembler","Selects, filters, deduplicates, orders and formats model-visible information.",[1913,1914],"Model","Reasons and generates over the assembled context.",[1916,1917],"Validation\u002Fevaluation","Checks whether selected context and resulting output satisfy task-specific requirements.",{},{"id":788,"data":1920,"type":218,"tunes":1922},{"text":1921},"The context assembler is conceptually important even when no module has that exact name. In a small application it may be ordinary application code. In a large agent platform it may combine session management, retrieval, memory, tool middleware, compaction and policy enforcement.",{},{"id":793,"data":1924,"type":42,"tunes":1926},{"text":1925,"level":247},"A practical context construction policy",{},{"id":798,"data":1928,"type":391,"tunes":1969},{"content":1929,"stretched":43,"withHeadings":14},[1930,1933,1936,1939,1942,1945,1948,1951,1954,1957,1960,1963,1966],[1931,1932],"Rule","Why it matters",[1934,1935],"Start from the current task","Do not carry information merely because it existed earlier.",[1937,1938],"Re-read volatile state","Memory and old context can be stale.",[1940,1941],"Retrieve just enough evidence","Large candidate sets can dilute decisive information.",[1943,1944],"Preserve source metadata","Version, date and authority determine whether evidence still applies.",[1946,1947],"Remove duplicate content","Redundancy consumes tokens without adding information.",[1949,1950],"Prefer structured summaries for large tool output","Expose decisive fields instead of raw noise where fidelity permits.",[1952,1953],"Keep rules with exceptions","Separating a rule from its exception creates false certainty.",[1955,1956],"Make precedence explicit","Do not ask the model to infer which conflicting source wins.",[1958,1959],"Keep durable state outside context","Context is temporary working memory, not the database.",[1961,1962],"Compact with retention tests","Verify that identifiers, constraints, provenance and unresolved state survive.",[1964,1965],"Measure order sensitivity","Correctness should not depend accidentally on arbitrary document ordering.",[1967,1968],"Evaluate context separately from model quality","A stronger model cannot compensate reliably for missing or unauthorized evidence.",{},{"id":842,"data":1971,"type":42,"tunes":1973},{"text":1972,"level":247},"How to evaluate context engineering",{},{"id":847,"data":1975,"type":391,"tunes":2017},{"content":1976,"stretched":43,"withHeadings":14},[1977,1981,1985,1989,1993,1997,2001,2005,2009,2013],[1978,1979,1980],"Property","Question","Example test",[1982,1983,1984],"Sufficiency","Does the context contain everything required to solve the task?","Remove one evidence item and observe whether the answer becomes unsupported.",[1986,1987,1988],"Relevance","How much context is unnecessary for the task?","Measure quality as irrelevant passages are added or removed.",[1990,1991,1992],"Authority","Are decisive claims grounded in the correct source class?","Inject a more fluent but non-authoritative conflicting source.",[1994,1995,1996],"Freshness","Does current state override stale copies?","Change authoritative state after a previous turn and rerun.",[1998,1999,2000],"Position robustness","Does answer quality depend strongly on evidence position?","Randomize candidate ordering across repeated trials.",[2002,2003,2004],"Conflict handling","Does the model follow explicit precedence rules?","Present old and new state together.",[2006,2007,2008],"Compaction retention","Does summarization preserve constraints and validity boundaries?","Compare pre\u002Fpost-compaction task performance.",[2010,2011,2012],"Token efficiency","Does extra context improve quality enough to justify latency\u002Fcost?","Run controlled context-size ablations.",[2014,2015,2016],"Security","Can unauthorized or adversarial content enter model context?","Test tenant, permission and prompt-injection boundaries.",{},{"id":892,"data":2019,"type":42,"tunes":2021},{"text":2020,"level":247},"Context assembly is a distinct RAG failure layer",{},{"id":897,"data":2023,"type":218,"tunes":2025},{"text":2024},"A RAG pipeline can succeed at retrieval and still fail downstream. The relevant source may appear at rank 2, yet the context assembler can drop it, truncate it, combine it with stale contradictory material or exceed the token budget.",{},{"id":902,"data":2027,"type":218,"tunes":2029},{"text":2028},"This is why retrieval traces should be compared with the actual context sent to the model. Without that comparison, context failures are easily misdiagnosed as embedding or model failures.",{},{"id":907,"data":2031,"type":492,"tunes":2036},{"url":2032,"title":2033,"excerpt":2034,"ctaLabel":2035},"https:\u002F\u002Fstajic.de\u002Fblog\u002Frag-failed-but-which-layer-actually-failed-a-diagnostic-method","RAG Failed — But Which Layer Actually Failed? A Diagnostic Method","A layer-by-layer approach to separating source coverage, retrieval, ranking, context assembly, generation, evidence attribution and freshness failures.","Read the RAG diagnostic method",{},{"id":915,"data":2038,"type":42,"tunes":2040},{"text":2039,"level":247},"Original implementation evidence",{},{"id":920,"data":2042,"type":42,"tunes":2044},{"text":2043,"level":246},"Source of Truth Research Engine: bounded research instead of unlimited context",{},{"id":925,"data":2046,"type":218,"tunes":2048},{"text":2047},"The Source of Truth Research Engine separates discovery, acquisition, extraction, verification, contradiction analysis and synthesis into bounded research stages instead of sending one huge research task and all accumulated material into a single model call.",{},{"id":930,"data":2050,"type":218,"tunes":2052},{"text":2051},"Its evidence model stores Sources, Artifacts, Claims, Relations, Contradictions and provenance outside the model context. The model can receive the subset needed for the current research step while durable evidence remains in the external store.",{},{"id":935,"data":2054,"type":218,"tunes":2056},{"text":2055},"That is a concrete context-engineering pattern: durable research state lives outside the model window; the active model context is reconstructed for the current stage.",{},{"id":940,"data":2058,"type":42,"tunes":2060},{"text":2059,"level":246},"Aaasaasa AI Client: runtime, permissions and context are separate concerns",{},{"id":945,"data":2062,"type":218,"tunes":2064},{"text":2063},"Aaasaasa AI Client separates provider\u002Fmodel selection, runtime location, workspace permissions, local resources and tool access. This prevents the model context from becoming the owner of authorization or application state.",{},{"id":950,"data":2066,"type":218,"tunes":2068},{"text":2067},"Direct Chat and agentic runtimes can have different tool capabilities. Workspace permission profiles are enforced by the runtime rather than merely described in natural-language context. This distinction is important: context can tell a model what it should do, while the runtime must still enforce what it is actually allowed to do.",{},{"id":955,"data":2070,"type":218,"tunes":2072},{"text":2071},"The implementation evidence here is architectural separation, not a claim that every advanced context-management technique described in this article is already implemented.",{},{"id":960,"data":2074,"type":391,"tunes":2094},{"content":2075,"stretched":43,"withHeadings":14},[2076,2079,2082,2085,2088,2091],[2077,2078],"Implementation pattern","Context-engineering lesson",[2080,2081],"External evidence store","Durable knowledge does not need to remain in the model window.",[2083,2084],"Bounded research stages","Different steps can receive different context instead of accumulating one giant history.",[2086,2087],"Claims + provenance outside context","Evidence identity survives beyond temporary inference state.",[2089,2090],"Runtime-enforced permissions","Security authority does not depend on the model remembering an instruction.",[2092,2093],"Separate local\u002Fprovider\u002Fmodel\u002Fruntime concepts","Context is only one layer of the wider AI application architecture.",{},{"id":983,"data":2096,"type":226,"tunes":2099},{"body":2097,"title":2098,"variant":240},"These implementations support the architectural separation between durable state, retrieval, runtime controls and model-facing context. They are not presented as benchmark proof that one context strategy is universally optimal.","Evidence boundary",{},{"id":989,"data":2101,"type":42,"tunes":2103},{"text":2102,"level":247},"Common context-engineering failure modes",{},{"id":994,"data":2105,"type":391,"tunes":2140},{"content":2106,"stretched":43,"withHeadings":14},[2107,2110,2113,2116,2119,2122,2125,2128,2131,2134,2137],[2108,2109],"Failure mode","What goes wrong",[2111,2112],"Replay the entire conversation forever","Old assumptions, repetition and token growth overwhelm current intent.",[2114,2115],"Put every retrieved result into the prompt","Noise, duplication and conflicting versions dilute decisive evidence.",[2117,2118],"Use memory as current state","Stale information silently replaces authoritative live state.",[2120,2121],"Return raw tool output","Large logs or responses consume attention without adding decision value.",[2123,2124],"Hide tool descriptions behind vague names","The model cannot reliably decide which capability to use.",[2126,2127],"Compact without retention tests","Critical constraints, identifiers or exceptions disappear.",[2129,2130],"Mix instructions and untrusted data","External content can be interpreted as higher-authority instruction.",[2132,2133],"Use one static context template for every task","Different tasks receive irrelevant information and miss task-specific evidence.",[2135,2136],"Ignore source version\u002Fdate","Stale but relevant evidence can dominate current authoritative state.",[2138,2139],"Treat a larger context window as a quality guarantee","Capacity increases while attention and conflict problems remain.",{},{"id":1032,"data":2142,"type":42,"tunes":2144},{"text":2143,"level":247},"Common misconceptions",{},{"id":1037,"data":2146,"type":391,"tunes":2181},{"content":2147,"stretched":43,"withHeadings":14},[2148,2151,2154,2157,2160,2163,2166,2169,2172,2175,2178],[2149,2150],"Misconception","Correction",[2152,2153],"“Context engineering is just prompt engineering with a new name.”","Prompts are one component; context engineering also covers retrieval, memory, state, tool results, history and compaction.",[2155,2156],"“Context means chat history.”","History is only one possible context source.",[2158,2159],"“More context is always better.”","Additional information can reduce signal, introduce conflicts and increase cost.",[2161,2162],"“If retrieval found it, the model saw it.”","Retrieved candidates can be filtered, truncated or omitted before inference.",[2164,2165],"“Long context removes the need for RAG.”","Large windows increase capacity but do not solve freshness, authority, permissions or dynamic retrieval.",[2167,2168],"“Memory should always be loaded.”","Memory should be selected according to the current task.",[2170,2171],"“A summary preserves everything important.”","Compaction is lossy unless explicitly evaluated for retention.",[2173,2174],"“Instructions can enforce permissions.”","Authorization must be enforced by runtime\u002Fapplication controls, not only by context.",[2176,2177],"“One context recipe works for every model.”","Context sensitivity varies by model, task, corpus and runtime.",[2179,2180],"“Context engineering is only for agents.”","Agents amplify the need, but ordinary RAG and conversational applications also require context construction.",{},{"id":1075,"data":2183,"type":42,"tunes":2185},{"text":2184,"level":247},"A practical context-engineering sequence",{},{"id":1080,"data":2187,"type":317,"tunes":2220},{"steps":2188,"title":2219,"orientation":316},[2189,2192,2195,2198,2201,2204,2207,2210,2213,2216],{"label":2190,"description":2191},"1. Define the next model decision","Specify what the model must answer, classify, plan or choose at this step.",{"label":2193,"description":2194},"2. Identify required facts and constraints","List the minimum state, rules, evidence and instructions that can materially change the result.",{"label":2196,"description":2197},"3. Resolve authority and permissions","Determine which sources are current, authoritative and accessible to the current principal.",{"label":2199,"description":2200},"4. Retrieve or read on demand","Acquire the necessary evidence and volatile state rather than relying on stale context.",{"label":2202,"description":2203},"5. Reduce noise","Deduplicate, summarize or select passages without discarding decisive exceptions or provenance.",{"label":2205,"description":2206},"6. Structure and order","Make instructions, current state, evidence and tool observations distinguishable.",{"label":2208,"description":2209},"7. Fit the token budget","Prefer high-signal context and move durable information outside the window.",{"label":2211,"description":2212},"8. Run the model","Execute inference over the assembled context.",{"label":2214,"description":2215},"9. Observe failures","Capture whether the problem came from missing, stale, noisy, conflicting or poorly ordered context.",{"label":2217,"description":2218},"10. Re-evaluate after model\u002Fruntime changes","A context strategy is only valid for the models, tools and workloads on which it was tested.","Construct context from the current decision backward",{},{"id":1116,"data":2222,"type":42,"tunes":2224},{"text":2223,"level":247},"Context-engineering checklist",{},{"id":1121,"data":2226,"type":391,"tunes":2266},{"content":2227,"stretched":43,"withHeadings":14},[2228,2230,2233,2236,2239,2242,2245,2248,2251,2254,2257,2260,2263],[1979,2229],"Expected answer",[2231,2232],"What exact decision will the model make next?","A bounded task, not a vague long-term objective.",[2234,2235],"Which information can materially change that decision?","Explicit minimum evidence\u002Fstate set.",[2237,2238],"Which data is authoritative now?","Current source\u002Fversion and freshness rule.",[2240,2241],"Which data is optional background?","Separated from decisive evidence.",[2243,2244],"What must not enter context?","Unauthorized, unnecessary or overly sensitive data.",[2246,2247],"Which memory items are relevant?","Selected by task, not replayed automatically.",[2249,2250],"Which tool outputs should be reduced?","Large responses are transformed into decision-relevant form.",[2252,2253],"Which constraints must survive compaction?","Identifiers, exceptions, obligations, unresolved state and provenance.",[2255,2256],"How is precedence represented?","Current\u002Fauthoritative information can reliably override stale or weaker sources.",[2258,2259],"How will you know context failed?","Context-specific evals and traces exist.",[2261,2262],"Can the answer be reproduced?","Model input or reconstructable context trace is available where appropriate.",[2264,2265],"Can a stronger or larger model change the strategy?","Context policy is version-aware and reevaluated empirically.",{},{"id":1164,"data":2268,"type":42,"tunes":2270},{"text":2269,"level":247},"Edge cases and limitations",{},{"id":1169,"data":2272,"type":218,"tunes":2274},{"text":2273},"Some tasks are simple enough that context engineering reduces to a short system prompt and one user message. Adding retrieval, memory and compaction would only introduce unnecessary architecture.",{},{"id":1174,"data":2276,"type":218,"tunes":2278},{"text":2277},"Some tasks require high recall and may intentionally include more context before later synthesis. Research, discovery and legal review can prefer omission avoidance over minimal token count.",{},{"id":1179,"data":2280,"type":218,"tunes":2282},{"text":2281},"Some information should never be summarized before use. Exact contracts, code, cryptographic material, numerical records and regulatory text may require verbatim or structured retrieval where compression could alter meaning.",{},{"id":1184,"data":2284,"type":218,"tunes":2286},{"text":2285},"Long-context behavior varies substantially between models. A strategy validated on one model, context length or tool harness should not automatically be transferred to another.",{},{"id":1189,"data":2288,"type":218,"tunes":2290},{"text":2289},"The model can still ignore or misinterpret excellent context. Context engineering improves the information environment; it does not guarantee reasoning correctness.",{},{"id":1194,"data":2292,"type":42,"tunes":2294},{"text":2293,"level":247},"What would change this answer?",{},{"id":1199,"data":2296,"type":218,"tunes":2298},{"text":2297},"Future models may become more robust to long context, positional effects and conflicting information. That could reduce the amount of manual curation required.",{},{"id":1204,"data":2300,"type":218,"tunes":2302},{"text":2301},"The architectural distinction would still remain useful because permissions, freshness, memory persistence, source authority and external application state exist outside the model regardless of context-window size.",{},{"id":1209,"data":2304,"type":218,"tunes":2306},{"text":2305},"The recommended balance between preloaded and just-in-time context also changes with latency requirements, tool reliability, corpus size, model cost and how dynamic the underlying information is.",{},{"id":1214,"data":2308,"type":42,"tunes":2310},{"text":2309,"level":247},"Related canonical knowledge",{},{"id":1219,"data":2312,"type":218,"tunes":2314},{"text":2313},"Context engineering sits between retrieval and generation. RAG explains how external knowledge is retrieved; R01 separates embeddings, vector search and reranking; context engineering explains what eventually reaches the model.",{},{"id":1224,"data":2316,"type":492,"tunes":2321},{"url":2317,"title":2318,"excerpt":2319,"ctaLabel":2320},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works","What Is RAG? The Simplest Explanation of How It Works","The retrieval foundation for understanding how external knowledge can be supplied to a model before generation.","Read the RAG foundation",{},{"id":1232,"data":2323,"type":218,"tunes":2325},{"text":2324},"Source-of-Truth architecture answers a different question: not which information is present in context, but which source is authorized to establish a claim.",{},{"id":1237,"data":2327,"type":218,"tunes":2329},{"text":2328},"The existing article Why More Context Can Make AI Answers Worse is the diagnostic companion to this canonical definition. It focuses on context pollution, position effects, top-k growth, compaction loss and answer degradation rather than redefining context engineering itself.",{},{"id":1242,"data":2331,"type":42,"tunes":2333},{"text":2332,"level":247},"Frequently asked questions",{},{"id":1247,"data":2335,"type":1247,"tunes":2362},{"items":2336,"title":2361},[2337,2340,2343,2346,2349,2352,2355,2358],{"id":1251,"answer":2338,"question":2339},"Context engineering is the design and runtime management of what information a language model receives at inference time, including instructions, history, retrieved evidence, memory, state, tools and tool results.","What is context engineering?",{"id":1255,"answer":2341,"question":2342},"Prompt engineering focuses on how instructions and examples are written. Context engineering includes prompts but also decides which external information, state, history, memory and tool observations are placed around them.","How is context engineering different from prompt engineering?",{"id":1259,"answer":2344,"question":2345},"No. RAG retrieves external information. Context engineering decides how retrieved information is filtered, combined with other state and actually delivered to the model.","Is RAG the same as context engineering?",{"id":1263,"answer":2347,"question":2348},"No. Memory persists information outside the current model call. Context is the subset of information loaded into the current inference.","Is memory the same as context?",{"id":1267,"answer":2350,"question":2351},"Additional context can introduce noise, stale state, conflicting evidence, duplication and positional competition. Large context capacity does not guarantee equally reliable use of every token.","Why can more context make an answer worse?",{"id":1271,"answer":2353,"question":2354},"Compaction summarizes or transforms accumulated history into a smaller representation so a long-running system can continue without replaying every prior token.","What is context compaction?",{"id":1275,"answer":2356,"question":2357},"It can be represented in context for reasoning, but consequential operations should often re-read the authoritative source because context snapshots can become stale.","Should current application state be stored in context?",{"id":1279,"answer":2359,"question":2360},"No. Agents make context management more dynamic, but RAG systems, assistants, copilots and multi-turn applications also need deliberate context construction.","Is context engineering only needed for AI agents?","Context engineering FAQ",{},{"id":1285,"data":2364,"type":42,"tunes":2366},{"text":2365,"level":247},"Glossary",{},{"id":1290,"data":2368,"type":1290,"tunes":2403},{"title":2369,"entries":2370},"Key context-engineering terms",[2371,2373,2376,2378,2381,2384,2387,2390,2393,2395,2398,2400],{"term":1625,"anchor":1295,"definition":2372},"The design and runtime management of the information supplied to a language model for a particular inference step.",{"term":2374,"anchor":1299,"definition":2375},"Context window","The model's finite token capacity for the input and, depending on the model interface, associated generated tokens or active sequence.",{"term":1623,"anchor":1302,"definition":2377},"The design of instructions, examples and prompt structure intended to elicit useful model behavior.",{"term":2379,"anchor":1306,"definition":2380},"Context assembly","The process of selecting, filtering, ordering and formatting model-visible information before inference.",{"term":2382,"anchor":1310,"definition":2383},"Just-in-time retrieval","Loading information dynamically when the current task requires it instead of preloading all potentially relevant data.",{"term":2385,"anchor":1314,"definition":2386},"Compaction","Reducing accumulated context into a smaller representation while attempting to preserve information needed for future steps.",{"term":2388,"anchor":1318,"definition":2389},"Context pollution","Degradation caused by irrelevant, stale, contradictory or redundant information occupying the model's working context.",{"term":2391,"anchor":1322,"definition":2392},"Application state","The current authoritative condition of the external system, workflow or domain that exists independently of the model context.",{"term":1582,"anchor":1325,"definition":2394},"Information stored outside the immediate model invocation for possible use in later turns or sessions.",{"term":2396,"anchor":1329,"definition":2397},"Retrieved context","External information selected by a retrieval system and made available, wholly or partly, to the model.",{"term":1998,"anchor":1332,"definition":2399},"The degree to which model correctness remains stable when the location or order of relevant context changes.",{"term":2401,"anchor":1336,"definition":2402},"Validity boundary","The scope, time, assumptions, versions and evidence conditions within which a conclusion remains supported.",{},{"id":1340,"data":2405,"type":42,"tunes":2407},{"text":2406,"level":247},"Conclusion",{},{"id":1345,"data":2409,"type":218,"tunes":2411},{"text":2410},"Context engineering is the layer that decides what the model gets to see before it answers. That makes it broader than prompting and downstream of retrieval, while remaining distinct from durable memory and authoritative application state.",{},{"id":1350,"data":2413,"type":218,"tunes":2415},{"text":2414},"A strong context architecture does not treat the context window as a database. It keeps durable state and knowledge outside the model, loads what is required for the current decision, preserves authority and provenance, removes unnecessary noise and refreshes volatile information when needed.",{},{"id":1355,"data":2417,"type":218,"tunes":2419},{"text":2418},"The practical objective is therefore not maximum context. It is minimum sufficient, high-signal, correctly authorized and validity-preserving context for the next model decision.",{},{"id":1360,"data":2421,"type":42,"tunes":2423},{"text":2422,"level":247},"Primary sources and current guidance",{},{"id":1365,"data":2425,"type":218,"tunes":2427},{"text":2426},"The sources below support the current context-engineering terminology, long-context behavior and operational context-management patterns. Project sections are explicitly implementation evidence rather than universal claims.",{},{"id":1370,"data":2429,"type":1377,"tunes":2434},{"link":1372,"meta":2430},{"image":2431,"title":2432,"description":2433},{"url":406},"Anthropic — Effective context engineering for AI agents","Official engineering guidance defining context engineering, just-in-time retrieval, compaction, structured memory and context curation for agents.",{},{"id":1380,"data":2436,"type":1377,"tunes":2441},{"link":1382,"meta":2437},{"image":2438,"title":2439,"description":2440},{"url":406},"OpenAI — Context Engineering: Short-Term Memory Management with Sessions","Official cookbook guidance on context management, trimming and compression for long-running agent sessions.",{},{"id":1389,"data":2443,"type":1377,"tunes":2448},{"link":1391,"meta":2444},{"image":2445,"title":2446,"description":2447},{"url":406},"OpenAI — Agents guide","Current OpenAI developer guidance on agent runtimes, context across steps and orchestration ownership.",{},{"id":1398,"data":2450,"type":1377,"tunes":2455},{"link":1400,"meta":2451},{"image":2452,"title":2453,"description":2454},{"url":406},"Lost in the Middle: How Language Models Use Long Contexts","Research showing that long-context model performance can depend strongly on the position of relevant information in the input.",{},"2.31.6","Context engineering designs what information an AI model receives before inference, including prompts, retrieval, memory, application state, tool results and conversation history.",{"lang":7,"title":208,"content":210,"contentJson":2459,"excerpt":1407},{"time":212,"blocks":2460,"version":1406},[2461,2464,2467,2470,2473,2476,2479,2482,2485,2488,2491,2494,2497,2500,2511,2514,2517,2520,2523,2539,2542,2559,2562,2565,2568,2571,2574,2577,2580,2583,2586,2589,2592,2595,2598,2601,2604,2607,2610,2613,2616,2619,2634,2637,2640,2643,2646,2649,2652,2655,2658,2661,2664,2667,2670,2673,2676,2679,2682,2693,2696,2699,2702,2705,2708,2711,2714,2717,2720,2723,2726,2729,2732,2735,2738,2751,2754,2757,2774,2777,2791,2794,2797,2800,2803,2806,2809,2812,2815,2818,2821,2824,2827,2830,2840,2843,2846,2861,2864,2879,2882,2896,2899,2916,2919,2922,2925,2928,2931,2934,2937,2940,2943,2946,2949,2952,2955,2958,2961,2964,2976,2979,2995,2998,3001,3004,3007,3010,3013,3018,3023,3028],{"id":215,"data":2462,"type":218,"tunes":2463},{"text":217},{},{"id":221,"data":2465,"type":226,"tunes":2466},{"body":223,"title":224,"variant":225},{},{"id":229,"data":2468,"type":226,"tunes":2469},{"body":231,"title":232,"variant":233},{},{"id":236,"data":2471,"type":226,"tunes":2472},{"body":238,"title":239,"variant":240},{},{"id":243,"data":2474,"type":248,"tunes":2475},{"title":245,"maxLevel":246,"minLevel":247},{},{"id":251,"data":2477,"type":42,"tunes":2478},{"text":253,"level":247},{},{"id":256,"data":2480,"type":218,"tunes":2481},{"text":258},{},{"id":261,"data":2483,"type":218,"tunes":2484},{"text":263},{},{"id":266,"data":2486,"type":218,"tunes":2487},{"text":268},{},{"id":271,"data":2489,"type":42,"tunes":2490},{"text":273,"level":247},{},{"id":276,"data":2492,"type":218,"tunes":2493},{"text":278},{},{"id":281,"data":2495,"type":218,"tunes":2496},{"text":283},{},{"id":286,"data":2498,"type":218,"tunes":2499},{"text":288},{},{"id":291,"data":2501,"type":317,"tunes":2510},{"steps":2502,"title":315,"orientation":316},[2503,2504,2505,2506,2507,2508,2509],{"label":295,"description":296},{"label":298,"description":299},{"label":301,"description":302},{"label":304,"description":305},{"label":307,"description":308},{"label":310,"description":311},{"label":313,"description":314},{},{"id":320,"data":2512,"type":42,"tunes":2513},{"text":322,"level":247},{},{"id":325,"data":2515,"type":218,"tunes":2516},{"text":327},{},{"id":330,"data":2518,"type":218,"tunes":2519},{"text":332},{},{"id":335,"data":2521,"type":42,"tunes":2522},{"text":337,"level":247},{},{"id":340,"data":2524,"type":391,"tunes":2538},{"content":2525,"stretched":43,"withHeadings":14},[2526,2527,2528,2529,2530,2531,2532,2533,2534,2535,2536,2537],[344,345,346],[348,349,350],[352,353,354],[356,357,358],[360,361,362],[364,365,366],[368,369,370],[372,373,374],[376,377,378],[380,381,382],[384,385,386],[388,389,390],{},{"id":394,"data":2540,"type":42,"tunes":2541},{"text":396,"level":247},{},{"id":399,"data":2543,"type":431,"tunes":2558},{"rows":2544,"title":423,"layout":391,"columns":2555},[2545,2547,2549,2551,2553],{"id":403,"label":404,"values":2546},[406,406],{"id":408,"label":409,"values":2548},[406,406],{"id":412,"label":413,"values":2550},[406,406],{"id":416,"label":417,"values":2552},[406,406],{"id":420,"label":421,"values":2554},[406,406],[2556,2557],{"id":426,"label":427},{"id":429,"label":430},{},{"id":434,"data":2560,"type":218,"tunes":2561},{"text":436},{},{"id":439,"data":2563,"type":42,"tunes":2564},{"text":441,"level":247},{},{"id":444,"data":2566,"type":218,"tunes":2567},{"text":446},{},{"id":449,"data":2569,"type":218,"tunes":2570},{"text":451},{},{"id":454,"data":2572,"type":218,"tunes":2573},{"text":456},{},{"id":459,"data":2575,"type":226,"tunes":2576},{"body":461,"title":462,"variant":463},{},{"id":466,"data":2578,"type":42,"tunes":2579},{"text":468,"level":247},{},{"id":471,"data":2581,"type":218,"tunes":2582},{"text":473},{},{"id":476,"data":2584,"type":218,"tunes":2585},{"text":478},{},{"id":481,"data":2587,"type":218,"tunes":2588},{"text":483},{},{"id":486,"data":2590,"type":492,"tunes":2591},{"url":488,"title":489,"excerpt":490,"ctaLabel":491},{},{"id":495,"data":2593,"type":42,"tunes":2594},{"text":497,"level":247},{},{"id":500,"data":2596,"type":218,"tunes":2597},{"text":502},{},{"id":505,"data":2599,"type":218,"tunes":2600},{"text":507},{},{"id":510,"data":2602,"type":226,"tunes":2603},{"body":512,"title":513,"variant":233},{},{"id":516,"data":2605,"type":42,"tunes":2606},{"text":518,"level":247},{},{"id":521,"data":2608,"type":218,"tunes":2609},{"text":523},{},{"id":526,"data":2611,"type":218,"tunes":2612},{"text":528},{},{"id":531,"data":2614,"type":218,"tunes":2615},{"text":533},{},{"id":536,"data":2617,"type":42,"tunes":2618},{"text":538,"level":247},{},{"id":541,"data":2620,"type":431,"tunes":2633},{"rows":2621,"title":560,"layout":391,"columns":2630},[2622,2624,2626,2628],{"id":545,"label":546,"values":2623},[406,406],{"id":549,"label":550,"values":2625},[406,406],{"id":553,"label":554,"values":2627},[406,406],{"id":557,"label":558,"values":2629},[406,406],[2631,2632],{"id":563,"label":564},{"id":566,"label":567},{},{"id":570,"data":2635,"type":218,"tunes":2636},{"text":572},{},{"id":575,"data":2638,"type":42,"tunes":2639},{"text":577,"level":247},{},{"id":580,"data":2641,"type":218,"tunes":2642},{"text":582},{},{"id":585,"data":2644,"type":218,"tunes":2645},{"text":587},{},{"id":590,"data":2647,"type":218,"tunes":2648},{"text":592},{},{"id":595,"data":2650,"type":42,"tunes":2651},{"text":597,"level":247},{},{"id":600,"data":2653,"type":218,"tunes":2654},{"text":602},{},{"id":605,"data":2656,"type":218,"tunes":2657},{"text":607},{},{"id":610,"data":2659,"type":218,"tunes":2660},{"text":612},{},{"id":615,"data":2662,"type":42,"tunes":2663},{"text":617,"level":247},{},{"id":620,"data":2665,"type":218,"tunes":2666},{"text":622},{},{"id":625,"data":2668,"type":218,"tunes":2669},{"text":627},{},{"id":630,"data":2671,"type":218,"tunes":2672},{"text":632},{},{"id":635,"data":2674,"type":42,"tunes":2675},{"text":637,"level":247},{},{"id":640,"data":2677,"type":218,"tunes":2678},{"text":642},{},{"id":645,"data":2680,"type":218,"tunes":2681},{"text":647},{},{"id":650,"data":2683,"type":391,"tunes":2692},{"content":2684,"stretched":43,"withHeadings":14},[2685,2686,2687,2688,2689,2690,2691],[654,655],[657,658],[660,661],[663,664],[666,667],[669,670],[672,673],{},{"id":676,"data":2694,"type":42,"tunes":2695},{"text":678,"level":247},{},{"id":681,"data":2697,"type":218,"tunes":2698},{"text":683},{},{"id":686,"data":2700,"type":218,"tunes":2701},{"text":688},{},{"id":691,"data":2703,"type":218,"tunes":2704},{"text":693},{},{"id":696,"data":2706,"type":226,"tunes":2707},{"body":698,"title":699,"variant":233},{},{"id":702,"data":2709,"type":42,"tunes":2710},{"text":704,"level":247},{},{"id":707,"data":2712,"type":218,"tunes":2713},{"text":709},{},{"id":712,"data":2715,"type":218,"tunes":2716},{"text":714},{},{"id":717,"data":2718,"type":492,"tunes":2719},{"url":719,"title":720,"excerpt":721,"ctaLabel":722},{},{"id":725,"data":2721,"type":42,"tunes":2722},{"text":727,"level":247},{},{"id":730,"data":2724,"type":218,"tunes":2725},{"text":732},{},{"id":735,"data":2727,"type":218,"tunes":2728},{"text":737},{},{"id":740,"data":2730,"type":218,"tunes":2731},{"text":742},{},{"id":745,"data":2733,"type":42,"tunes":2734},{"text":747,"level":247},{},{"id":750,"data":2736,"type":226,"tunes":2737},{"body":752,"title":753,"variant":240},{},{"id":756,"data":2739,"type":391,"tunes":2750},{"content":2740,"stretched":43,"withHeadings":14},[2741,2742,2743,2744,2745,2746,2747,2748,2749],[760,761],[763,764],[766,767],[769,770],[772,773],[775,776],[778,779],[781,782],[784,785],{},{"id":788,"data":2752,"type":218,"tunes":2753},{"text":790},{},{"id":793,"data":2755,"type":42,"tunes":2756},{"text":795,"level":247},{},{"id":798,"data":2758,"type":391,"tunes":2773},{"content":2759,"stretched":43,"withHeadings":14},[2760,2761,2762,2763,2764,2765,2766,2767,2768,2769,2770,2771,2772],[802,803],[805,806],[808,809],[811,812],[814,815],[817,818],[820,821],[823,824],[826,827],[829,830],[832,833],[835,836],[838,839],{},{"id":842,"data":2775,"type":42,"tunes":2776},{"text":844,"level":247},{},{"id":847,"data":2778,"type":391,"tunes":2790},{"content":2779,"stretched":43,"withHeadings":14},[2780,2781,2782,2783,2784,2785,2786,2787,2788,2789],[851,852,853],[855,856,857],[859,860,861],[863,864,865],[867,868,869],[871,872,873],[875,876,877],[879,880,881],[883,884,885],[887,888,889],{},{"id":892,"data":2792,"type":42,"tunes":2793},{"text":894,"level":247},{},{"id":897,"data":2795,"type":218,"tunes":2796},{"text":899},{},{"id":902,"data":2798,"type":218,"tunes":2799},{"text":904},{},{"id":907,"data":2801,"type":492,"tunes":2802},{"url":909,"title":910,"excerpt":911,"ctaLabel":912},{},{"id":915,"data":2804,"type":42,"tunes":2805},{"text":917,"level":247},{},{"id":920,"data":2807,"type":42,"tunes":2808},{"text":922,"level":246},{},{"id":925,"data":2810,"type":218,"tunes":2811},{"text":927},{},{"id":930,"data":2813,"type":218,"tunes":2814},{"text":932},{},{"id":935,"data":2816,"type":218,"tunes":2817},{"text":937},{},{"id":940,"data":2819,"type":42,"tunes":2820},{"text":942,"level":246},{},{"id":945,"data":2822,"type":218,"tunes":2823},{"text":947},{},{"id":950,"data":2825,"type":218,"tunes":2826},{"text":952},{},{"id":955,"data":2828,"type":218,"tunes":2829},{"text":957},{},{"id":960,"data":2831,"type":391,"tunes":2839},{"content":2832,"stretched":43,"withHeadings":14},[2833,2834,2835,2836,2837,2838],[964,965],[967,968],[970,971],[973,974],[976,977],[979,980],{},{"id":983,"data":2841,"type":226,"tunes":2842},{"body":985,"title":986,"variant":240},{},{"id":989,"data":2844,"type":42,"tunes":2845},{"text":991,"level":247},{},{"id":994,"data":2847,"type":391,"tunes":2860},{"content":2848,"stretched":43,"withHeadings":14},[2849,2850,2851,2852,2853,2854,2855,2856,2857,2858,2859],[998,999],[1001,1002],[1004,1005],[1007,1008],[1010,1011],[1013,1014],[1016,1017],[1019,1020],[1022,1023],[1025,1026],[1028,1029],{},{"id":1032,"data":2862,"type":42,"tunes":2863},{"text":1034,"level":247},{},{"id":1037,"data":2865,"type":391,"tunes":2878},{"content":2866,"stretched":43,"withHeadings":14},[2867,2868,2869,2870,2871,2872,2873,2874,2875,2876,2877],[1041,1042],[1044,1045],[1047,1048],[1050,1051],[1053,1054],[1056,1057],[1059,1060],[1062,1063],[1065,1066],[1068,1069],[1071,1072],{},{"id":1075,"data":2880,"type":42,"tunes":2881},{"text":1077,"level":247},{},{"id":1080,"data":2883,"type":317,"tunes":2895},{"steps":2884,"title":1113,"orientation":316},[2885,2886,2887,2888,2889,2890,2891,2892,2893,2894],{"label":1084,"description":1085},{"label":1087,"description":1088},{"label":1090,"description":1091},{"label":1093,"description":1094},{"label":1096,"description":1097},{"label":1099,"description":1100},{"label":1102,"description":1103},{"label":1105,"description":1106},{"label":1108,"description":1109},{"label":1111,"description":1112},{},{"id":1116,"data":2897,"type":42,"tunes":2898},{"text":1118,"level":247},{},{"id":1121,"data":2900,"type":391,"tunes":2915},{"content":2901,"stretched":43,"withHeadings":14},[2902,2903,2904,2905,2906,2907,2908,2909,2910,2911,2912,2913,2914],[852,1125],[1127,1128],[1130,1131],[1133,1134],[1136,1137],[1139,1140],[1142,1143],[1145,1146],[1148,1149],[1151,1152],[1154,1155],[1157,1158],[1160,1161],{},{"id":1164,"data":2917,"type":42,"tunes":2918},{"text":1166,"level":247},{},{"id":1169,"data":2920,"type":218,"tunes":2921},{"text":1171},{},{"id":1174,"data":2923,"type":218,"tunes":2924},{"text":1176},{},{"id":1179,"data":2926,"type":218,"tunes":2927},{"text":1181},{},{"id":1184,"data":2929,"type":218,"tunes":2930},{"text":1186},{},{"id":1189,"data":2932,"type":218,"tunes":2933},{"text":1191},{},{"id":1194,"data":2935,"type":42,"tunes":2936},{"text":1196,"level":247},{},{"id":1199,"data":2938,"type":218,"tunes":2939},{"text":1201},{},{"id":1204,"data":2941,"type":218,"tunes":2942},{"text":1206},{},{"id":1209,"data":2944,"type":218,"tunes":2945},{"text":1211},{},{"id":1214,"data":2947,"type":42,"tunes":2948},{"text":1216,"level":247},{},{"id":1219,"data":2950,"type":218,"tunes":2951},{"text":1221},{},{"id":1224,"data":2953,"type":492,"tunes":2954},{"url":1226,"title":1227,"excerpt":1228,"ctaLabel":1229},{},{"id":1232,"data":2956,"type":218,"tunes":2957},{"text":1234},{},{"id":1237,"data":2959,"type":218,"tunes":2960},{"text":1239},{},{"id":1242,"data":2962,"type":42,"tunes":2963},{"text":1244,"level":247},{},{"id":1247,"data":2965,"type":1247,"tunes":2975},{"items":2966,"title":1282},[2967,2968,2969,2970,2971,2972,2973,2974],{"id":1251,"answer":1252,"question":1253},{"id":1255,"answer":1256,"question":1257},{"id":1259,"answer":1260,"question":1261},{"id":1263,"answer":1264,"question":1265},{"id":1267,"answer":1268,"question":1269},{"id":1271,"answer":1272,"question":1273},{"id":1275,"answer":1276,"question":1277},{"id":1279,"answer":1280,"question":1281},{},{"id":1285,"data":2977,"type":42,"tunes":2978},{"text":1287,"level":247},{},{"id":1290,"data":2980,"type":1290,"tunes":2994},{"title":1292,"entries":2981},[2982,2983,2984,2985,2986,2987,2988,2989,2990,2991,2992,2993],{"term":430,"anchor":1295,"definition":1296},{"term":1298,"anchor":1299,"definition":1300},{"term":427,"anchor":1302,"definition":1303},{"term":1305,"anchor":1306,"definition":1307},{"term":1309,"anchor":1310,"definition":1311},{"term":1313,"anchor":1314,"definition":1315},{"term":1317,"anchor":1318,"definition":1319},{"term":1321,"anchor":1322,"definition":1323},{"term":376,"anchor":1325,"definition":1326},{"term":1328,"anchor":1329,"definition":1330},{"term":871,"anchor":1332,"definition":1333},{"term":1335,"anchor":1336,"definition":1337},{},{"id":1340,"data":2996,"type":42,"tunes":2997},{"text":1342,"level":247},{},{"id":1345,"data":2999,"type":218,"tunes":3000},{"text":1347},{},{"id":1350,"data":3002,"type":218,"tunes":3003},{"text":1352},{},{"id":1355,"data":3005,"type":218,"tunes":3006},{"text":1357},{},{"id":1360,"data":3008,"type":42,"tunes":3009},{"text":1362,"level":247},{},{"id":1365,"data":3011,"type":218,"tunes":3012},{"text":1367},{},{"id":1370,"data":3014,"type":1377,"tunes":3017},{"link":1372,"meta":3015},{"image":3016,"title":1375,"description":1376},{"url":406},{},{"id":1380,"data":3019,"type":1377,"tunes":3022},{"link":1382,"meta":3020},{"image":3021,"title":1385,"description":1386},{"url":406},{},{"id":1389,"data":3024,"type":1377,"tunes":3027},{"link":1391,"meta":3025},{"image":3026,"title":1394,"description":1395},{"url":406},{},{"id":1398,"data":3029,"type":1377,"tunes":3032},{"link":1400,"meta":3030},{"image":3031,"title":1403,"description":1404},{"url":406},{},"Post erfolgreich abgerufen",{"items":3035,"source":3117,"manualIds":3118,"manualMatchedIds":3119},[3036,3043,3050,3055,3062,3069,3076,3082,3089,3096,3103,3110],{"id":3037,"slug":3038,"title":3039,"excerpt":3040,"featuredImage":3041,"publishedAt":3042},"490","rbac-vs-tenant-isolation-two-different-security-boundaries","RBAC vs Aislamiento de Inquilinos: Dos Límites de Seguridad Diferentes","El RBAC controla lo que un usuario puede hacer; el aislamiento de inquilinos controla a qué recursos de qué inquilino puede llegar esa acción. Descubre por qué la seguridad SaaS multiinquilino requiere ambos límites.","\u002Fuploads\u002F2026\u002F10\u002Frbac-vs-tenant-isolation-two-different-security-boundaries-1791485111528-qqtzby.webp","2026-10-08T14:43:00.000Z",{"id":3044,"slug":3045,"title":3046,"excerpt":3047,"featuredImage":3048,"publishedAt":3049},"467","the-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","El límite de validez de la respuesta: la capa faltante entre la relevancia y las respuestas fiables de la IA","Una fuente puede ser relevante, autorizada y aun así ser incorrecta para la pregunta que se plantea. La capa que falta es la aplicabilidad: las condiciones bajo las cuales una respuesta es válida y los cambios que obligan a reconsiderarla. Este artículo presenta el Límite de Validez de la Respuesta como un patrón de diseño de fuentes para personas, sistemas de búsqueda con IA y sistemas RAG.","\u002Fuploads\u002F2026\u002F09\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers-1790272901306-1g5jly.webp","2026-09-24T11:59:00.000Z",{"id":3051,"slug":3052,"title":3052,"excerpt":10,"featuredImage":3053,"publishedAt":3054},"369","git-with-automatic-upload-and-synchronization-to-a-production-server","\u002Fuploads\u002F2024\u002F05\u002Fstep-by-step-guide-illustration-showing-the-process-of-setting-up-Git-with-auto-upload-and-synchronization-to-a-production-server-large.webp","2024-05-28T22:48:00.000Z",{"id":3056,"slug":3057,"title":3058,"excerpt":3059,"featuredImage":3060,"publishedAt":3061},"493","mlops-vs-llmops-what-changes-when-the-model-is-an-llm","MLOps vs LLMOps: qué cambia cuando el modelo es un LLM","MLOps opera sistemas de aprendizaje automático; LLMOps extiende esas prácticas a prompts, contexto, recuperación, proveedores, herramientas, evaluaciones y comportamiento en tiempo de ejecución en torno a modelos de lenguaje grandes.","\u002Fuploads\u002F2026\u002F10\u002Fmlops-vs-llmops-what-changes-when-the-model-is-an-llm-1791487319869-2v7hxo.webp","2026-10-08T15:20:00.000Z",{"id":3063,"slug":3064,"title":3065,"excerpt":3066,"featuredImage":3067,"publishedAt":3068},"364","tipps-fuer-die-verbesserung-der-seo-suchmaschinenoptimierung","Dominando el flujo de trabajo SEO: Estrategias de optimización esenciales para el crecimiento orgánico","Un flujo de trabajo SEO estructurado es crucial para un crecimiento orgánico sostenible. Aprende las diez estrategias fundamentales, desde la investigación de palabras clave y la optimización técnica hasta la calidad del contenido y el análisis de rendimiento.","\u002Fuploads\u002F2026\u002F03\u002Ftipps-fuer-die-verbesserung-der-seo-suchmaschinenoptimierung-1774866098131-hwkzrg.webp","2024-01-26T06:35:00.000Z",{"id":3070,"slug":3071,"title":3072,"excerpt":3073,"featuredImage":3074,"publishedAt":3075},"445","qwen-3-6-in-production-release-runbook-ai-rollback-and-llmops-versioning","Qwen 3.6 en producción: Runbook de lanzamiento, rollback de IA y versionado de LLMOps","Qwen 3.6 no es solo otra actualización de modelo. Es un evento de lanzamiento, un escenario de reversión y un problema de versionado al mismo tiempo. Este artículo explica cómo debe manejarse Qwen 3.6 en producción a través de la disciplina de LLMOps, la trazabilidad de prompts y modelos, el despliegue controlado y la preparación para la reversión basada en evidencia.","\u002Fuploads\u002F2026\u002F02\u002Fnew-qwen-3-5-plus-1771515512741-dcbi9p.webp","2026-05-04T02:49:00.000Z",{"id":3077,"slug":3078,"title":3079,"excerpt":3080,"featuredImage":3074,"publishedAt":3081},"384","new-qwen-3-5-plus","Nuevo Qwen 3.5-Plus: La IA de código abierto se ha puesto seria","Descubre las características y beneficios innovadores de Qwen 3.5-Plus de Alibaba, una IA de código abierto que cambia las reglas del juego para desarrolladores.","2026-02-19T10:23:00.000Z",{"id":3083,"slug":3084,"title":3085,"excerpt":3086,"featuredImage":3087,"publishedAt":3088},"466","the-gpu-is-not-the-product-future-proof-private-ai-architecture","La GPU no es el producto: arquitectura de IA privada a prueba de futuro","La infraestructura de IA privada no debe diseñarse en torno a una sola GPU o un solo modelo. Un enfoque más resiliente combina GPUs de inferencia rápida, sistemas de IA ricos en memoria, nodos de IA física y modelos en la nube frontier opcionales detrás de una capa de enrutamiento consciente de las capacidades.","\u002Fuploads\u002F2026\u002F09\u002Fthe-gpu-is-not-the-product-future-proof-private-ai-architecture-1790140878812-8hsl39.webp","2026-09-23T01:19:00.000Z",{"id":3090,"slug":3091,"title":3092,"excerpt":3093,"featuredImage":3094,"publishedAt":3095},"363","front-und-backend-entwicklung","Desarrollo Front- y Backend","El desarrollo front-end y back-end es una parte esencial del desarrollo web e implica la creación de aplicaciones web y sitios web. El desarrollo front-end se centra en la interfaz de usuario, mientras que el desarrollo back-end es responsable de la programación y gestión del lado del servidor.","\u002Fuploads\u002F2026\u002F03\u002Ffront-und-backend-entwicklung-1774872219531-wyu4i1.webp","2023-04-12T11:11:00.000Z",{"id":3097,"slug":3098,"title":3099,"excerpt":3100,"featuredImage":3101,"publishedAt":3102},"487","vector-databases-embeddings-and-reranking-three-different-parts-of-retrieval","Bases de datos vectoriales, embeddings y reranking: tres partes diferentes de la recuperación","Las incrustaciones representan el significado, las bases de datos vectoriales recuperan candidatos y los rerankers refinan los resultados. Aprende en qué se diferencian y cómo trabajan juntas estas tres capas de recuperación en RAG.","\u002Fuploads\u002F2026\u002F10\u002Fvector-databases-embeddings-and-reranking-three-different-parts-of-retrieval-1791480129884-9dtasz.webp","2026-10-08T11:21:00.000Z",{"id":3104,"slug":3105,"title":3106,"excerpt":3107,"featuredImage":3108,"publishedAt":3109},"468","ai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","La memoria del agente de IA no es RAG: cómo separar memoria, recuperación, estado y contexto","La memoria del agente, RAG, el estado y el contexto a menudo se usan como si fueran intercambiables. No lo son. Este modelo práctico de arquitectura separa las cuatro capas, muestra dónde pertenece cada una y explica qué se rompe cuando los sistemas las colapsan en una sola.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context-1790350560308-np0xy6.webp","2026-09-25T11:34:00.000Z",{"id":3111,"slug":3112,"title":3113,"excerpt":3114,"featuredImage":3115,"publishedAt":3116},"472","why-more-context-can-make-ai-answers-worse","Por qué más contexto puede empeorar las respuestas de la IA","Una ventana de contexto más grande no garantiza una mejor respuesta. Este artículo explica cómo la dilución de la señal, la evidencia contradictoria, el estado obsoleto, la sensibilidad a la posición y la compresión con pérdidas pueden reducir la fiabilidad de la IA—e introduce una práctica Prueba de Presión de Contexto.","\u002Fuploads\u002F2026\u002F09\u002Fwhy-more-context-can-make-ai-answers-worse-1790351615793-2ntv2v.webp","2026-09-25T11:51:00.000Z","fallback",[],[]]