Temario · lección 27 de 74
1Por qué fallan los agentes
2Qué es un harness
3Patrones de agentes
4Herramientas
5Ingeniería de contexto
6El repositorio como memoria
7Tareas largas
8Alcance y “hecho” de verdad
9Observabilidad y estado limpio
10Loops y grafos
11Harness reales
12Proyecto final
- Proyecto 1, solo prompt contra harness mínimo
- Proyecto 2, un workspace legible
- Proyecto 3, continuidad entre sesiones
- Proyecto 4, feedback de runtime e indexado
- Proyecto 5, que el agente verifique su trabajo
- Proyecto 6, el harness completo (capstone)
- Proyecto 7, tu primer loop automático
- Proyecto 8, dibuja tu flujo como un grafo
- Checklist final y plantillas
Recuperar el contexto justo a tiempo
En vez de cargar de antemano todo lo que podría hacer falta, el agente guarda referencias ligeras (rutas, enlaces) y trae los datos solo cuando los necesita.
Cómo trabajas tú
Cuando necesitas un dato no te lo aprendes todo de memoria. Usas carpetas, el buzón, marcadores del navegador. Sabes dónde está cada cosa y vas a por ella cuando la necesitas.
Anthropic propone que los agentes trabajen igual. Se llama estrategia «just in time» (justo a tiempo).
Dos formas de dar contexto
| Cargar antes | Justo a tiempo | |
|---|---|---|
| Idea | Preparar y meter todo lo relevante antes de empezar | Guardar identificadores ligeros y cargar datos al vuelo con herramientas |
| Ejemplo | Buscar con embeddings y pegar los fragmentos encontrados | Tener una lista de rutas de archivo y abrir solo las necesarias |
| Ventaja | Rápido | Contexto ligero, siempre fresco |
| Coste | Puede llenar la ventana de cosas inútiles | Más lento: explorar lleva tiempo |
Las referencias ligeras pueden ser rutas de archivo, consultas guardadas o enlaces web. Claude Code, por ejemplo, ante una base de datos enorme puede escribir consultas concretas y usar comandos como head y tail, sin cargar nunca los datos enteros.
Los nombres también informan
Para un agente que navega, la propia estructura es información. Un archivo test_utils.py dentro de tests/ sugiere otro propósito que el mismo nombre dentro de src/core_logic/. Jerarquía de carpetas, convenciones de nombres y fechas funcionan como pistas de qué es relevante.
Esto permite la divulgación progresiva: el agente va descubriendo contexto paso a paso, y cada hallazgo guía el siguiente. El tamaño de un archivo sugiere su complejidad, un nombre sugiere su función, la fecha sugiere relevancia. Solo mantiene en su «memoria de trabajo» lo necesario.
Un ejemplo híbrido
La estrategia pura rara vez es lo mejor. Claude Code combina ambas: los archivos CLAUDE.md se cargan al principio, tal cual, y herramientas como glob (buscar archivos por patrón) y grep (buscar texto) permiten traer el resto bajo demanda. Así se evitan los problemas de índices desactualizados.
# Se carga siempre (corto)
CLAUDE.md -> resumen, comandos, reglas duras, enlaces
# Se busca cuando hace falta
grep "calcularIva" src/ -> encuentra dónde se define
abrir src/facturas/iva.ts -> lee solo ese archivo
Según Anthropic, la mezcla adecuada depende de la tarea. Contextos con contenido poco cambiante, como trabajo legal o financiero, pueden preferir más carga previa.
El precio de explorar
Explorar es más lento que consultar datos ya preparados. Y sin buena guía, el agente puede gastar contexto usando mal las herramientas, siguiendo pistas muertas o no dando con lo clave. Por eso hace falta ingeniería: darle buenas herramientas y buenas heurísticas para moverse. El consejo de Anthropic sigue siendo «haz lo más simple que funcione».
¿Qué guarda un agente que usa la estrategia «just in time»?
Fuentes: Anthropic, Effective context engineering for AI agents