Pinguy Learning
Temario · lección 27 de 74
0Empieza aquí
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
Ingeniería de contexto· 7 min de lectura

Recuperar el contexto justo a tiempo

En 30 segundos

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 antesJusto a tiempo
IdeaPreparar y meter todo lo relevante antes de empezarGuardar identificadores ligeros y cargar datos al vuelo con herramientas
EjemploBuscar con embeddings y pegar los fragmentos encontradosTener una lista de rutas de archivo y abrir solo las necesarias
VentajaRápidoContexto ligero, siempre fresco
CostePuede llenar la ventana de cosas inútilesMás 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».

Comprueba lo aprendido

¿Qué guarda un agente que usa la estrategia «just in time»?

Mantiene identificadores ligeros y usa herramientas para traer los datos al contexto solo en el momento en que hacen falta.

Fuentes: Anthropic, Effective context engineering for AI agents