Guía de campo · octubre de 2026

La ventana de contexto

Lo que un modelo puede ver, y cómo elegirlo
por Mat Siems
Parte I

La planta baja

Qué es la ventana de contexto, y qué no es.

Capítulo 1 · Parte I

El escritorio, no la mente

Bienvenido. Esta es una guía de campo sobre la ventana de contexto: el tramo de texto que un modelo de lenguaje puede ver en el momento en que te responde. Son cien capítulos breves, y cada uno pretende enseñar una cosa que puedas usar esta misma semana, tanto si estás escribiendo el prompt de sistema de un chatbot como si estás conectando un sistema de recuperación o viendo cómo un agente de programación se come una sesión entera. El tema suena técnico. En su mayor parte, es un tema sobre elegir.

Empieza por la imagen que más disgustos te va a ahorrar. Un modelo no es una mente que casualmente está hablando contigo. Se parece más a un oficinista rapidísimo y leidísimo sentado ante un escritorio. Sobre el escritorio está todo lo que tú has puesto allí: tus instrucciones, la conversación hasta el momento, los documentos que pegaste, los resultados de cualquier herramienta que haya llamado. El oficinista lee el escritorio y escribe una respuesta. Eso es todo. No hay un cajón debajo con tu última conversación, ni un archivador con tus preferencias, ni una intuición silenciosa de quién eres. Si no está sobre el escritorio, no existe.

Esto parece obvio hasta que te fijas en lo a menudo que la gente se comporta como si fuera falso. Piden a un modelo que use el estilo que acordamos en un chat recién abierto. Dan por hecho que conoce el documento que comentaron con un compañero. Se sorprenden de que el agente que ayer arregló un fallo no tenga hoy ni idea de qué arregló. Nada de esto es que el modelo sea olvidadizo. Ser olvidadizo implica haber recordado alguna vez. Nunca tuvo nada salvo lo que tenía delante.

El modelo no sabe lo que tú sabes. Sabe lo que le enseñaste.

La consecuencia útil es que casi toda respuesta decepcionante puede rastrearse hasta el escritorio. O faltaba algo necesario, o algo innecesario lo abarrotaba, o lo correcto estaba allí pero enterrado donde nadie iba a verlo. Esos tres fallos, ausencia, desorden y entierro, son el asunto de casi todo este libro. Son también, por suerte, cosas que tú controlas. No puedes cambiar cómo se entrenó el modelo. Puedes cambiar lo que le entregas.

Así que aquí va el primer ejercicio, y no cuesta nada. Toma la última respuesta de un modelo que te molestó. Antes de culpar al modelo, apunta exactamente qué había sobre su escritorio en ese momento: el prompt de sistema, cada mensaje, cada archivo pegado. Luego pregúntate si un humano competente, con solo eso, lo habría hecho mejor. A menudo la respuesta honesta es que no. El modelo no era tonto. Estaba desinformado, que es un problema con un pronóstico mucho mejor. Prepara el escritorio, y el oficinista hará casi todo lo demás.

Lo que el modelo puede ver Si no está en el escritorio, no existe. EN EL ESCRITORIO Instrucciones prompt de sistema Conversación hasta ahora reenviada cada turno Documentos pegados archivos, pasajes Resultados de herram. comandos, búsquedas El modelo lee y luego escribe Respuesta solo del escritorio FUERA DEL ESCRITORIO último chat · tus preferencias · el arreglo de ayer TRES FORMAS DE FALLAR Ausencia necesario, pero falta Desorden innecesario, estorba Entierro presente, inadvertido
Fig. 1 · El escritorio, no la mente. El modelo solo responde con lo que hay en su escritorio; la ausencia, el desorden y el entierro lo estropean.
Capítulo 2 · Parte I

Sin estado, por diseño

Un modelo de lenguaje, en el nivel donde ocurre la aritmética, no tiene estado. Cada llamada recibe un bloque de texto y produce otro, y cuando termina no sobrevive nada. No queda ninguna impresión, no se aprende en silencio ninguna lección, no se guarda ningún rencor. La llamada siguiente empieza tan limpia como la primera. Esto no es un descuido a la espera de un parche. Es el diseño, y es un diseño sensato.

Piensa en una calculadora. No querrías que recordara tu última suma y se apoyara un poquito en ella al hacer la siguiente. Quieres que la misma entrada produzca el mismo tipo de respuesta, siempre, para todo el mundo. La ausencia de estado hace que los modelos sean predecibles de operar, fáciles de escalar y seguros de compartir entre millones de personas que preferirían que sus conversaciones no se filtraran unas en otras. El precio es que cualquier cosa parecida a la memoria hay que construirla alrededor del modelo, no dentro de él.

Y se construye, constantemente. La interfaz de chat que parece recordar tus mensajes anteriores simplemente los vuelve a enviar todos, en cada turno. El asistente que recuerda tu nombre ha guardado una nota en algún sitio y la ha vuelto a pegar. El agente de programación que retoma el trabajo donde lo dejó está leyendo un archivo de progreso que escribió la última vez. Cada uno de estos es un artilugio: un mecanismo que cuela el ayer en el escritorio de hoy. Cuando funciona, parece memoria. Cuando falla, ves la maquinaria.

Todo lo que un modelo parece recordar, alguien se encargó de que se lo volvieran a contar.

Saber esto cambia tu forma de depurar. Cuando un asistente olvida una instrucción a mitad de un chat largo, la pregunta no es por qué la ha olvidado sino si la instrucción seguía enviándose y si todavía se podía encontrar. Cuando una función de memoria recupera algo caducado, la pregunta no es por qué está confundido sino de qué almacén vino eso y quién lo actualizó por última vez. Dejas de tratar al modelo como una persona con despistes y empiezas a tratar el sistema como una fontanería con fugas. La fontanería es más fácil de arreglar.

También te dice dónde poner el esfuerzo. Si quieres un comportamiento coherente entre sesiones, no confíes en que el modelo lo absorba. Escríbelo en algo que se reenvíe de forma fiable: un prompt de sistema, un archivo de instrucciones, un perfil guardado. Si quieres que sepa lo que pasó ayer, pon el ayer por escrito en un formato que el hoy pueda leer. El modelo no lo hará por ti a menos que construyas algo que lo haga.

Hay una libertad extraña en todo esto. Cada sesión es un comienzo limpio, lo que significa que cada sesión puede estar mejor preparada. El modelo no trae equipaje. El único equipaje en la habitación es el que tú metiste en la maleta.

La memoria es aparato, no modelo Usuario tú App el aparato Modelo sin estado Almacén notas, perfil LLAMADA 1 mensaje 1 sistema + msj 1 respuesta 1 nada sobrevive guarda una nota LLAMADA 2 mensaje 2 carga la nota reenvía todo + nota respuesta 2 Todo lo que parece recordar, alguien se encargó de que se lo volvieran a contar.
Fig. 2 · Sin estado, por diseño. Dos llamadas: la app reenvía el historial y las notas guardadas porque el modelo no conserva nada.
Capítulo 3 · Parte I

Tokens, la unidad de todo

Los modelos no leen palabras. Leen tokens: fragmentos de texto, a menudo una palabra corta entera, a veces parte de una más larga, a veces un único signo de puntuación o un espacio pegado delante de una palabra. Un tokenizador trocea tu texto en estas piezas antes de que el modelo vea nada, y todos los límites, todas las facturas y todas las medidas de cuánto cabe se cuentan en ellas. Si trabajas con contexto, los tokens son tu unidad, como los gramos lo son para un panadero.

La regla aproximada para la prosa en inglés es que un token equivale a unas tres cuartas partes de una palabra, así que mil palabras dan algo más de mil tokens. Esa regla se dobla enseguida. El código se tokeniza de otra manera que la prosa, por todos sus corchetes y sangrías. Los nombres raros, los números largos y los identificadores en snake case se rompen en muchas piezas pequeñas. Los idiomas distintos del inglés, el español incluido, suelen costar más tokens por el mismo significado. Las tablas pegadas como texto, con sus barras verticales y su relleno, pueden ser sorprendentemente caras para lo que dicen. Un JSON muy anidado gasta una cantidad asombrosa en comillas.

No necesitas memorizar nada de eso. Necesitas el hábito de medir en lugar de adivinar. La mayoría de los proveedores de modelos ofrecen una forma de contar tokens antes de enviar, y la mayoría de las herramientas de agentes te enseñan lo llena que está la ventana. Úsalas. Quien adivina casi siempre se queda corto, porque piensa en páginas y el modelo piensa en fragmentos. Un documento que parece breve puede ser grande; un archivo de registro que parece ruido puede ser descomunal.

Cuenta en la unidad en que cuenta la máquina, o te sorprenderá su aritmética.

Hay una segunda razón para que te importe. Los tokens no son solo un límite: son también un coste en tiempo. El modelo procesa tu entrada y genera su salida token a token, así que más contexto significa primeras respuestas más lentas y más salida significa esperas más largas. Un prompt el doble de largo no es solo el doble de caro; es el doble de material que el modelo tiene que leer antes de poder empezar, y el doble de material compitiendo por su atención.

Así que esta semana haz una pequeña auditoría. Toma un prompt o un mensaje de sistema que uses a menudo y cuéntalo. Luego cuenta las piezas: las instrucciones, los ejemplos, el material de referencia pegado, el texto de relleno que nadie recuerda haber añadido. Casi seguro que encontrarás una sección que cuesta mucho más de lo que aporta. Esa sección es tu primera edición. El objetivo no es la tacañería por la tacañería. Es gastar el presupuesto a propósito, que es la única manera en que alguien ha conseguido nunca mantener un presupuesto.

Tokens, no palabras Tu texto palabras, código, tablas Tokenizador lo trocea The ·refund _policy _v 2 ·applies . unos 3/4 de palabra por token, en prosa inglesa MISMO SENTIDO, MÁS COSTE (ILUSTRATIVO) Prosa inglesa la referencia Código corchetes, sangrías nombres snake_case muchas piezas Otros idiomas a menudo más Tablas como texto barras y relleno JSON muy anidado comillas, anidación Cuenta en la unidad en que cuenta la máquina, o su aritmética te sorprenderá.
Fig. 3 · Tokens, la unidad de todo. Un tokenizador divide el texto en piezas; el código, las tablas y el JSON cuestan más por el mismo sentido.
Capítulo 4 · Parte I

La ventana tiene bordes

Todo modelo tiene un contexto máximo: la mayor cantidad de tokens que puede recibir, más lo que escribe de vuelta, en una sola llamada. En los últimos años ese techo ha pasado de unas pocas páginas a algo parecido a una estantería de novelas, y las ventanas más grandes ya admiten más texto del que la mayoría de la gente pegará en su vida. Es tentador interpretarlo como el final del problema. Si todo cabe, ¿para qué elegir?

Porque el borde se ha movido; no ha desaparecido. Sigue habiendo un límite estricto, y los agentes lo encuentran antes de lo que esperarías. Una sesión de programación que lee unas cuantas docenas de archivos, ejecuta las pruebas una docena de veces y guarda cada resultado en su historial puede llenar una ventana enorme en una tarde. Un bot de atención al cliente que conserva historiales completos de conversación más documentos de políticas recuperados se dará contra la pared con sus clientes más largos y más enfadados, que son exactamente aquellos con los que más quieres que se porte bien. Cuando se alcanza el límite, algo tiene que ceder: la llamada falla, o se descarta el material más antiguo, o el sistema lo compacta en un resumen. Nada de eso ocurre en un momento oportuno.

Hay además un borde más blando, que importa más. Mucho antes del límite estricto, la calidad empieza a resbalar. Un modelo al que se le pide usar un dato enterrado en un contexto inmenso lo hace peor que el mismo modelo con ese dato en un contexto corto. También es más lento y cuesta más. Así que la ventana práctica, el tamaño al que un modelo hace de forma fiable su mejor trabajo para tu tarea, es más pequeña que la anunciada, a veces mucho más. No encontrarás esa cifra en ninguna ficha técnica. La encuentras probando.

La ventana anunciada es un techo. La ventana útil es un suelo que tienes que descubrir.

El hábito de trabajo es tratar el máximo como una reserva de emergencia, no como un objetivo. Diseña tu sistema para que una petición normal quepa holgadamente en una fracción de la ventana, dejando sitio para conversaciones largas, resultados grandes de herramientas y la propia respuesta. Cuando veas que las sesiones se acercan con regularidad al borde, tómalo como un olor de diseño más que como un problema de capacidad. Se está guardando algo que no hace falta.

Y no pierdas de vista el indicador. La mayoría de las herramientas de agentes muestran lo llena que está la ventana, como porcentaje o como barra. Échale un vistazo como un conductor mira el depósito. Sin ansiedad, sin parar, pero con la frecuencia suficiente para que el testigo de reserva nunca sea lo primero que te avise. Un depósito más grande es una maravilla. No es motivo para dejar de mirar el indicador.

Dos bordes de la ventana máximo anunciado: el techo ventana útil: se halla probando una petición normal sistema historial resultados respuesta margen borde blando: baja la calidad borde duro AL TOCAR EL BORDE DURO, ALGO CEDE La llamada falla error, a media tarea Turnos viejos fuera a menudo sin aviso Compactado en un resumen Trata el máximo como reserva, no como objetivo. Vigila el indicador.
Fig. 4 · La ventana tiene bordes. La ventana útil queda muy por dentro del máximo anunciado; el borde duro rompe cosas.
Capítulo 5 · Parte I

Una conversación es un documento

Un chat parece una conversación: tú dices algo, él dice algo, os vais turnando. Por debajo, es un documento que crece una entrada por turno y que se lee entero, desde arriba, cada vez que el modelo responde. El modelo no está continuando un pensamiento que tuvo hace un momento. Está releyendo la transcripción completa como si fuera la primera vez y escribiendo el párrafo siguiente.

Esto tiene consecuencias que sorprenden. La primera es el coste. El turno cincuenta no cuesta lo mismo que el turno uno; cuesta el prompt de sistema más cuarenta y nueve turnos de historial más el mensaje nuevo. Un chat largo se vuelve cada vez más caro y cada vez más lento, y nada en la interfaz te lo dice. La segunda es la deriva. Todo lo que dijiste antes sigue en la página, incluida la instrucción que abandonaste, el borrador que rechazaste y la digresión sobre la comida. El modelo no tiene forma de saber cuáles de esas cosas das por cerradas a menos que el documento lo diga.

La tercera consecuencia es la útil. Como la transcripción es un documento, puedes editarla. Muchas herramientas te dejan cambiar un mensaje anterior y regenerar desde ahí, lo que elimina por completo del historial el giro equivocado en lugar de amontonar una corrección encima. Puedes empezar un chat nuevo con un resumen limpio en vez de arrastrar cuarenta turnos de exploración. En una aplicación que construyas tú, decides exactamente qué historial enviar: todo, los últimos turnos, un resumen continuo, o un resumen más los turnos recientes al pie de la letra. Cada una de esas opciones es un documento distinto, y el modelo se comportará de forma distinta con cada uno.

El modelo no recuerda la conversación. Lee el acta.

Así que redacta buenas actas. Cuando una conversación se ha ido por las ramas y por fin has averiguado lo que quieres, dilo con claridad: ignora los borradores anteriores; este es el encargo. Mejor aún, abre una sesión nueva y pega solo ese encargo. Cuando corrijas al modelo, hazlo de un modo que tenga sentido para alguien que lea la transcripción en frío, porque eso es literalmente quien la va a leer. Y cuando construyas un producto de chat, trata el historial como algo que montas en cada turno, no como algo que simplemente se va acumulando.

Hay en esto una pequeña dignidad cómica. El modelo es el lector de actas más diligente jamás construido. Lee cada línea, cada vez, sin rechistar. Lo que pasa es que no se le da muy bien distinguir qué partes de la reunión importaban. Esa parte, como siempre, es trabajo de quien la preside.

La transcripción, releída cada turno llamada 1 sistema usuario 1 lee 2 llamada 2 sistema usuario 1 respuesta 1 usuario 2 lee 4 llamada 3 sistema usuario 1 respuesta 1 usuario 2 respuesta 2 usuario 3 lee 6 coste, demora y deriva crecen con cada turno LO QUE TU APP ENVÍA CADA TURNO Historial entero completo, caro, deriva Últimos turnos barato, puede perder el encargo Resumen continuo compacto, pierde detalle Resumen + turnos recientes un valor sensato El modelo no recuerda la conversación. Lee el acta. para corregir un mal giro: edita y regenera, o empieza de cero con un encargo limpio
Fig. 5 · Una conversación es un documento. Cada llamada relee toda la transcripción, así que las apps eligen qué historial enviar.
Capítulo 6 · Parte I

Entrada y salida comparten cuarto

La ventana de contexto no es solo para lo que tú envías. La respuesta del modelo también tiene que caber dentro. Si un modelo tiene un máximo determinado y tu prompt ocupa casi todo, solo queda una rendija para la respuesta, y la respuesta saldrá cortada, a veces a mitad de frase, a veces a mitad de función. La ventana es un solo cuarto, y tanto la pregunta como la respuesta tienen que caber de pie en él.

La mayoría de las API lo hacen explícito con un límite aparte para la longitud de la salida, un número máximo de tokens que el modelo puede generar. Si lo pones demasiado bajo, obtienes respuestas truncadas que parecen completas hasta que llegas al final y no encuentras final. Si lo pones alto, dejas sitio, pero ese sitio se descuenta del mismo total. En los bucles de agentes esto importa todavía más, porque la salida del modelo se convierte en la entrada del turno siguiente. Un agente verborreico llena su propia ventana con sus propios comentarios, y luego le queda menos espacio para leer los archivos que de verdad necesita.

Hay otra sutileza con los modelos que piensan antes de responder. Muchos modelos actuales pueden gastar tokens en una fase de razonamiento antes de escribir la respuesta visible, y ese pensamiento también es texto generado con su propio presupuesto. Dale a un problema difícil muy poco espacio para pensar y el modelo irá con prisas; dale demasiado a uno fácil y pagarás deliberaciones que nadie necesitaba. Según el sistema, el pensamiento anterior puede conservarse o no en turnos posteriores. En cualquier caso, forma parte de la aritmética, y conviene que sepas cómo lo gestionan tus herramientas.

Deja sitio para la respuesta. Al fin y al cabo, es el motivo por el que preguntaste.

Los hábitos prácticos son sencillos. Decide más o menos cuánto debería ocupar una buena respuesta antes de preguntar, y fija el límite de salida con margen por encima. Pide en el prompt la extensión que quieres, porque un modelo al que se le dice responde en tres frases por lo general obedece y os ahorra a ambos tiempo y ventana. Cuando necesites una salida larga, un documento completo o un archivo grande, plantéate producirla por secciones en varias llamadas en lugar de en una generación heroica que podría chocar con el techo. Y en el trabajo con agentes, pide notas de progreso escuetas en lugar de comentarios continuos; el agente no necesita narrar lo que siente por cada archivo.

Vigila un síntoma en particular: una respuesta que se detiene de golpe, o una salida estructurada a la que le falta el corchete de cierre. Nueve de cada diez veces no es que al modelo le hayan fallado los nervios. Es que se ha quedado sin sitio, que es un problema de configuración disfrazado de problema de calidad.

Un cuarto, dos inquilinos EL PROMPT LLENA EL CUARTO sistema historial documentos + prompt respuesta la respuesta se corta a media frase; el JSON nunca cierra su corchete DEJA SITIO A LA RESPUESTA sistema historial prompt razonamiento respuesta completa libre límite de salida con margen sobre la longitud de una buena respuesta EN BUCLES DE AGENTE, LA SALIDA ES ENTRADA Salida prolija narra cada archivo Entrada del turno sig. la ventana se llena sola Menos sitio para archivos así que pide notas breves
Fig. 6 · Entrada y salida comparten cuarto. Prompt, razonamiento y respuesta comparten una ventana; deja margen o la respuesta se corta.
Capítulo 7 · Parte I

Basura entra, todavía

La regla más antigua de la informática es que un programa al que se le da basura devolverá basura, y con eficiencia. Se suponía que los modelos de lenguaje eran distintos. Perdonan las erratas, son generosos con las peticiones vagas, son capaces de sacar algo verosímil de casi cualquier cosa. Y lo son, que es justamente por lo que la vieja regla ahora se esconde mejor. La basura sigue entrando. Lo que pasa es que sale con buena presencia.

Piensa en lo que cuenta como basura en una ventana de contexto. Documentos desfasados, redactados todavía con total aplomo. Dos versiones de la misma política, una de ellas sustituida. Un hilo de correos pegado en el que la decisión está en el mensaje once y los mensajes del uno al diez defienden lo contrario. Pasajes recuperados que comparten palabras clave con la pregunta pero responden a otra. Salida de herramientas llena de avisos que no importan, con el único error que sí importa justo en medio. Nada de esto parece basura. Parece información. Eso es lo que lo hace peligroso.

Un modelo al que se le entrega este material no suele negarse ni quejarse. Hará lo que pueda, lo que significa mezclar lo que le dieron en una respuesta fluida. Si están presentes la política vieja y la nueva, puede que obtengas un elegante término medio que no coincide con ninguna de las dos. Si la decisión está enterrada bajo la discusión, puede que obtengas la discusión. La salida hereda la calidad de sus entradas y luego le añade lustre, de modo que los defectos llegan bien vestidos y es fácil dejarlos pasar.

Un modelo no limpia tus entradas. Las blanquea.

La defensa no tiene glamur: depura antes de enviar. Quita los documentos sustituidos en lugar de esperar que el modelo se fije en la fecha. Cuando pegues un hilo, añade una línea diciendo qué se decidió al final. Cuando la recuperación devuelva diez pasajes, comprueba si los diez pintan algo ahí. Prefiere una fuente autorizada a cinco que se solapan. Cuando haya que incluir algo pero su calidad sea dudosa, etiquétalo como tal: esto es un borrador del año pasado y puede estar mal. Una etiqueta es barata y el modelo la usará.

Después, pon a prueba la afirmación. Toma una tarea que produzca respuestas mediocres y pruébala dos veces: una con todo lo que incluirías normalmente y otra solo con lo que un experto cuidadoso te entregaría. En mi experiencia, la segunda versión es a menudo mejor y casi nunca peor, y siempre es más barata. La vieja regla nunca se derogó. Solo aprendió a hablar con educación.

Basura entra, brillo sale TAL CUAL Política obsoleta Versiones vieja y nueva Decisión oculta en msj 11 Pasajes casi relevantes Modelo lo mezcla todo Respuesta pulida fallos bien vestidos YA CURADO Solo la política vigente Hilo + lo decidido Pasajes verificados Dudoso, etiquetado Modelo usa lo que hay Respuesta fundada más barato, a menudo mejor Un modelo no limpia tus entradas. Las blanquea.
Fig. 7 · Basura entra, todavía. Las entradas sin revisar salen como respuesta pulida; las seleccionadas dan una respuesta fundada.
Capítulo 8 · Parte I

El prompt nunca bastó

Durante un tiempo el oficio se llamó ingeniería de prompts, y se centraba en la redacción. Qué palabras hacían que el modelo se portara bien. Si había que decir por favor. Si había que decirle que era un experto. Algunos de esos trucos funcionaron una temporada y algunos todavía ayudan en los márgenes, pero el nombre siempre describió la parte más pequeña del trabajo. El prompt es un párrafo sobre el escritorio. El escritorio es el trabajo entero.

El cambio de vocabulario de los últimos años, de ingeniería de prompts a ingeniería de contexto, no es un ejercicio de cambio de marca. Refleja lo que descubrieron los profesionales en cuanto los modelos se usaron para trabajo de verdad. La diferencia entre un asistente mediocre y uno excelente rara vez está en cómo se formula la petición. Está en si se recuperaron los documentos adecuados, si el historial de la conversación se recortó con sensatez, si las salidas de las herramientas eran legibles, si las instrucciones permanentes estaban al día y si algo de todo eso contradecía al resto. Una pregunta formulada con primor sobre un escritorio desordenado sigue recibiendo una respuesta desordenada.

La ingeniería de contexto, entonces, es la práctica de decidir qué ve el modelo en cada llamada. Incluye el prompt, pero también todo lo que se monta a su alrededor: instrucciones de sistema, memoria, material recuperado, definiciones de herramientas, resultados de herramientas, ejemplos e historial. Cada una de estas piezas tiene sus propios modos de fallo y sus propias técnicas, y por eso este libro tiene una parte para casi todas. Las destrezas se solapan con oficios antiguos. Una parte es edición. Otra es arquitectura de la información. Otra es diseño de sistemas sin más, con tokens en lugar de bytes.

El prompt es lo que dices. El contexto es todo lo que el modelo oye.

Nada de esto significa que la redacción sea irrelevante. Una petición clara le gana a una confusa, y capítulos posteriores explican cómo escribir instrucciones que un modelo pueda seguir. Pero la redacción es el último diez por ciento. Si te descubres reformulando la misma pregunta por quinta vez con la esperanza de una respuesta mejor, para y mira el resto del escritorio. El problema no suele estar en la frase que no dejas de cambiar. Está en el material que nunca miraste.

La prueba práctica es preguntar, ante cualquier interacción decepcionante, ¿qué tenía realmente el modelo? No lo que tú querías decir, no lo que dabas por hecho que sabía, sino el contexto literal que se montó. La mayoría de las herramientas te lo enseñan si lo pides. La primera vez que leas uno con atención, probablemente encontrarás la respuesta a tu problema escrita ahí, en forma de algo que falta.

El prompt es solo un objeto del escritorio CONTEXTO: TODO LO REUNIDO PARA ESTA LLAMADA Reglas de sistema órdenes permanentes Memoria notas guardadas Docs recuperados pasajes Definiciones de herram. lo que puede llamar Resultados de herram. lo que volvió Ejemplos cómo es lo bueno Historial turnos hasta ahora El prompt lo que dices DE DÓNDE SALE LA CALIDAD selección, recorte, estructura, vigencia palabras El prompt es lo que dices. El contexto es todo lo que oye el modelo.
Fig. 8 · El prompt nunca bastó. El prompt es una de ocho cosas que se ensamblan en el contexto; la redacción es la palanca menor.
Capítulo 9 · Parte I

Contexto es un verbo

Es natural hablar del contexto como de una cosa: el contexto, como si fuera un paquete fijo que adjuntas a una petición. En la práctica se comporta más como una actividad. En cada llamada, algo tiene que decidir qué entra y qué se queda fuera. Esa decisión la tomas tú, deliberadamente, o la toman unos valores por defecto que nadie eligió. En cualquier caso se está tomando, cada vez.

Mira lo que pasa en una sesión típica con un agente. En el primer turno el contexto es un prompt de sistema, algunas instrucciones y tu petición. En el turno diez incluye archivos que el agente leyó, comandos que ejecutó y su salida. En el turno treinta puede que haya compactado el historial inicial en un resumen, descartado algunos resultados de herramientas y traído documentos nuevos. Nadie se sentó a diseñar el contexto del turno treinta. Se montó solo, mediante una serie de pequeñas decisiones tomadas por el código, por el agente y por ti. La calidad de la sesión depende mucho de esas decisiones, y por eso compensa tomar algunas a propósito.

Pensar en el contexto como un verbo cambia las preguntas que haces. En lugar de cuál es el contexto de este asistente, preguntas qué debería ver este asistente ahora mismo, dada esta petición. En lugar de cargar un paquete fijo de documentos al principio, traes los pertinentes cuando se vuelven pertinentes. En lugar de conservar todo el historial para siempre, decides en cada momento qué merece quedarse. Esta es la postura de diseño que hay detrás de la mayoría de las técnicas de este libro: recuperación, compactación, subagentes, carga justo a tiempo. Cada una es una manera de contextualizar de nuevo en lugar de acumular a ciegas.

El contexto no es lo que tienes. Es lo que eliges, otra vez, en cada turno.

Para quien construye sistemas, la tarea es localizar el código donde se monta el contexto y hacerlo explícito. En algún sitio hay una función, una plantilla o un valor por defecto de un framework que decide qué contiene cada llamada. Encuéntralo. Registra lo que produce. Lee unos cuantos ejemplos. Muchos equipos descubren que su montaje de contexto no lo ha revisado nunca nadie, porque se escribió deprisa una vez y luego se dejó funcionando. Merece el mismo cuidado que cualquier otro camino crítico del código.

Para quien simplemente usa asistentes, la tarea es más pequeña e igual de útil. Antes de una sesión larga, pregúntate qué necesita el modelo para el siguiente paso, no para el proyecto entero. Dale eso. Cuando cambie el paso, cambia lo que ve. Es un poco más de esfuerzo por turno y muchísima menos confusión por hora. El contexto es algo que se hace. Hazlo a propósito.

El contexto se arma solo, salvo que elijas prompt de sistema instrucciones tu petición prompt de sistema instrucciones petición archivos leídos salida de comandos salida de comandos prompt de sistema instrucciones resumen de turnos documentos nuevos resultados última petición prompt de sistema encargo de este paso los dos archivos necesarios petición turno 1 elige: valores por defecto turno 10 elige: código + agente turno 30 elige: código + agente turno sig. elige: tú, a propósito El contexto no es lo que tienes. Es lo que eliges, de nuevo, cada turno.
Fig. 9 · Contexto es un verbo. Por defecto, el contexto deriva de turno en turno; el siguiente turno puede ensamblarse a propósito.
Capítulo 10 · Parte I

La primera disciplina

Si este libro tuviera que reducirse a una sola destreza, sería la resta. Casi todos los instintos de un principiante ante una ventana de contexto son aditivos. La respuesta fue floja, así que se añaden más instrucciones. Al modelo se le pasó algo, así que se añaden más documentos. Olvidó una regla, así que se repite la regla en mayúsculas. Cada añadido parece responsable. Todos juntos entierran la petición bajo un montón de material bienintencionado, y la atención del modelo, que no es ilimitada, se reparte más fina con cada capa.

La resta hace una pregunta más difícil: ¿qué puede salir? ¿Qué instrucciones son ya irrelevantes, están duplicadas o se contradicen en otra parte? ¿Qué documentos recuperados son casi aciertos? ¿Qué partes del historial son asuntos cerrados? ¿Qué salidas de herramientas fueron útiles una vez y ahora son solo ruido? Quitarlas no es pereza. Es el acto de volver legible el material que queda, igual que un buen editor fortalece un ensayo cortando su párrafo más flojo.

También es lo bastante contraintuitivo como para que los equipos se resistan. Un prompt de sistema largo parece concienzudo; uno corto parece negligente. Un sistema de recuperación que devuelve veinte pasajes parece más seguro que uno que devuelve cuatro. Pero los modelos, como las personas, rinden mejor cuando la señal es clara. Más contexto ayuda cuando el material extra es pertinente y está bien organizado. Cuando simplemente está disponible, sobre todo cuesta dinero, tiempo y precisión.

El mejor contexto no es el más completo. Es el más elegido.

Haz de la resta una rutina y no un estado de ánimo. Cuando revises un prompt de sistema, prueba a borrar una sección y ejecutar tus pruebas; si nada empeora, déjala fuera. Cuando montes la recuperación, empieza con menos resultados y añade más solo cuando la evaluación muestre una mejora. En sesiones largas con agentes, limpia o compacta cuando el historial deje de ser útil, no cuando la ventana esté llena. Para los archivos de instrucciones, programa alguna poda de vez en cuando, porque crecen por acumulación y nadie quita nunca la línea sobre la base de datos de la que migrasteis hace dos años.

Esta es la planta baja sobre la que se levanta el resto del libro. Las partes siguientes explicarán cómo lee el modelo, cómo escribir instrucciones permanentes, cómo gestionar la memoria y la recuperación, cómo las herramientas y los agentes llenan la ventana y qué sale mal cuando nadie está eligiendo. Por debajo de todo ello está la misma disciplina. Mete lo que la tarea necesita. Deja fuera lo que no. Y luego vuelve a mirar, porque lo que la tarea necesita probablemente ha cambiado. La ventana es un regalo. El desorden es la forma en que la gente lo rechaza.

Restar, la primera disciplina Todo lo que podrías añadir menos instrucciones irrelevantes menos documentos casi útiles menos historial acabado menos salidas caducas Lo que la tarea necesita HAZLO RUTINA Borra y prueba ¿no empeora? fuera Menos resultados primero añade solo con pruebas Compacta pronto cuando el historial no ayuda Poda periódica los archivos se acumulan El mejor contexto no es el más completo. Es el más elegido.
Fig. 10 · La primera disciplina. Restar elimina material caduco, duplicado y casi útil hasta que solo queda lo necesario.
Avance gratuito · Parte I

Sigue leyendo

Has leído los primeros 10 de 100 capítulos de La ventana de contexto. El libro completo incluye todos los capítulos y láminas, en PDF y EPUB, en inglés, francés, polaco y español.

El libro completo llegará pronto a la tienda.

¿Ya lo compraste? Lee la edición completa en línea

La ventana de contexto · Primera edición, octubre de 2026
100 capítulos · 10 partes · cien diagramas
por Mat Siems · MS Books, No. 14 · 2026