Habilidades para Agentes de Ingeniería de Contexto
Esta colección proporciona una guía estructurada para construir sistemas de agentes de IA de grado de producción mediante una ingeniería de contexto efectiva.
Cuándo activar
Activa estas habilidades cuando:
- Construyas nuevos sistemas de agentes desde cero
- Optimices el rendimiento de agentes existentes
- Depures fallos relacionados con el contexto
- Diseñes arquitecturas multi-agente
- Crees o evalúes herramientas para agentes
- Implementes capas de memoria y persistencia
- Diseñes arneses de investigación o evaluación autónoma
Mapa de Habilidades
Ingeniería de Contexto Fundamental
Comprender los Fundamentos del Contexto El contexto no es solo texto de instrucciones; es el estado completo disponible para el modelo de lenguaje en el momento de la inferencia, incluyendo instrucciones del sistema, definiciones de herramientas, documentos recuperados, historial de mensajes y resultados de herramientas. La ingeniería de contexto efectiva significa entender qué información es realmente importante para la tarea en cuestión y seleccionar esa información para maximizar la relación señal-ruido.
Reconocer la Degradación del Contexto Los modelos de lenguaje exhiben patrones de degradación predecibles a medida que el contexto crece: el fenómeno de "perdido en el medio" donde la información en el centro del contexto recibe menos atención; curvas de atención en forma de U que priorizan el principio y el final; envenenamiento del contexto cuando los errores se acumulan; y distracción contextual cuando la información irrelevante abruma al contenido relevante.
Patrones Arquitectónicos
Coordinación Multi-Agente Los sistemas multi-agente de producción convergen en tres patrones dominantes: arquitecturas de supervisor/orquestador con control centralizado, arquitecturas de enjambre peer-to-peer para traspasos flexibles y estructuras jerárquicas para la descomposición compleja de tareas. La idea crítica es que los subagentes existen principalmente para aislar el contexto, no para simular roles organizativos.
Prompting de Largo Horizonte Los agentes autónomos de larga duración y las orquestaciones paralelas tienen éxito o fracasan en el prompt inicial. Los resúmenes de tarea pseudo-formales especifican predicados de éxito, resultados sin conteo, reglas de persistencia con condiciones de retorno auditadas, pisos de esfuerzo, políticas de diversidad para carteras paralelas y barreras de contaminación, aplicando la disciplina de la verificación formal lingüísticamente a problemas sin una condición de éxito comprobable por máquina. En ejecuciones orquestadas, cada trabajador devuelve un contrato de salida con comprobaciones nombradas, y solo las violaciones evidenciadas bloquean la devolución.
Diseño de Sistemas de Memoria Las arquitecturas de memoria van desde blocas de notas simples hasta sofisticados grafos de conocimiento temporales. Vector RAG proporciona recuperación semántica pero pierde información relacional. Los grafos de conocimiento preservan la estructura pero requieren más inversión en ingeniería. El patrón de sistema-de-archivos-como-memoria permite la carga de contexto justo a tiempo sin llenar las ventanas de contexto.
Contexto Basado en Sistema de Archivos
El sistema de archivos proporciona una interfaz única para almacenar, recuperar y actualizar un contexto efectivamente ilimitado. Los patrones clave incluyen blocas de notas para la descarga de resultados de herramientas, persistencia de planes para tareas de largo horizonte, comunicación entre subagentes mediante archivos compartidos y carga dinámica de habilidades. Los agentes utilizan ls, glob, grep y read_file para el descubrimiento dirigido de contexto, superando a menudo a la búsqueda semántica para consultas estructurales.
Infraestructura de Agentes Alojados Los agentes de codificación en segundo plano se ejecutan en entornos remotos aislados (sandbox) en lugar de en máquinas locales. Los patrones clave incluyen imágenes de entorno preconstruidas actualizadas con una cadencia regular, grupos de sandboxes cálidos para inicios de sesión instantáneos, instantáneas del sistema de archivos para la persistencia de sesiones y soporte multijugador para sesiones de agentes colaborativos. Las optimizaciones críticas incluyen permitir lecturas de archivos antes de que se complete la sincronización de git (bloqueando solo las escrituras), calentamiento predictivo de sandboxes cuando los usuarios comienzan a escribir y agentes que se auto-generan para la ejecución paralela de tareas.
Principios de Diseño de Herramientas Las herramientas son contratos entre sistemas deterministas y agentes no deterministas. El diseño efectivo de herramientas sigue el principio de consolidación (preferir herramientas únicas y completas sobre múltiples herramientas estrechas), devuelve información contextual en errores, admite opciones de formato de respuesta para la eficiencia de tokens y utiliza un espacio de nombres claro.
Excelencia Operacional
Compresión de Contexto Cuando las sesiones de agente agotan la memoria, la compresión se vuelve obligatoria. El objetivo de optimización correcto es tokens-por-tarea, no tokens-por-solicitud. La sumarización estructurada con secciones explícitas para archivos, decisiones y próximos pasos preserva información más útil que la compresión agresiva. La integridad del rastro de artefactos sigue siendo la dimensión más débil en todos los métodos de compresión.
Optimización del Contexto Las técnicas incluyen compactación (resumir el contexto cerca de los límites), enmascaramiento de observaciones (reemplazar resultados de herramientas verbosos con referencias), almacenamiento en caché de prefijos (reutilizar bloques KV entre solicitudes) y particionamiento estratégico del contexto (dividir el trabajo entre subagentes con contextos aislados).
Contexto Autogestionado El modelo, no el arnés, decide qué permanece en su contexto activo: la región editable se expone como un archivo que el modelo reescribe con herramientas de código y se vuelve a analizar cada turno. El arnés mantiene los invariantes (instrucciones del sistema y prefijo de tarea fijos, plegado de roles, puerta de edición, recibos, lecturas presupuestarias deterministas, reversión en desbordamiento). El costo de edición escala con el texto posterior a la edición bajo el almacenamiento en caché de prefijos, por lo que las ediciones se agrupan y se colocan teniendo en cuenta la cola; la estrategia puede ser dirigida por instrucción, evolucionada como habilidad o entrenada con una recompensa de eficiencia con puerta de éxito.
Briefing Latente (Intercambio de Memoria KV) Los sistemas orquestador-trabajador pueden combinar tokens cuando los supervisores acumulan trayectorias largas pero los trabajadores ven solo fragmentos de texto estrechos. El Briefing Latente compacta la trayectoria del orquestador en la memoria caché KV del modelo trabajador utilizando atención guiada por tareas (compresión de tipo Attention Matching) para que los trabajadores reciban el estado latente relevante sin la reproducción completa del texto cuando la pila expone el estado KV del trabajador y los modelos son compatibles.
Marcos de Evaluación La evaluación de agentes en producción requiere comprobaciones deterministas y rúbricas multidimensionales que cubran precisión fáctica, integridad, eficiencia de herramientas y calidad del proceso. Utiliza jueces modelo solo después de que la estructura, la evidencia y la matemática de la rúbrica sean válidas; dirige el diseño del juez, la comparación por pares y la mitigación de sesgos a Evaluación Avanzada.
Ingeniería de Arnés Los agentes autónomos confiables necesitan bucles operativos explícitos alrededor del modelo: métricas bloqueadas, superficies editables, registros duraderos, comprobaciones de novedad, reglas de reversión y límites de aprobación humana. Los arneses evitan que los agentes debiliten al evaluador, pierdan el estado a través de la compactación o conviertan objetivos ambiguos en cambios no revisables.
Bucles de Auto-Mejora Cuando el propio arnés se convierte en el objetivo de optimización, se aplica una disciplina diferente: auto-mejora recursiva, búsqueda de meta-arnés, autoediciones acotadas impulsadas por fallos, búsqueda evolutiva de andamios y evolución del mecanismo de contexto. Las restricciones de control son puertas de aceptación de dos divisiones empíricas, archivos de experiencia del sistema de archivos con trazas sin procesar, restricciones aplicadas en tiempo de ejecución fuera de cada superficie editable y preservación de la diversidad para evitar el colapso.
Metodología de Desarrollo
Desarrollo de Proyectos El desarrollo efectivo de proyectos LLM comienza con el análisis de ajuste tarea-modelo: validar mediante prototipado manual que una tarea es adecuada para el procesamiento LLM antes de construir la automatización. Las tuberías de producción siguen arquitecturas escalonadas e idempotentes (adquirir, preparar, procesar, analizar, renderizar) con gestión de estado del sistema de archivos para depuración y almacenamiento en caché. El diseño de salida estructurada con especificaciones de formato explícitas permite un análisis fiable. Comienza con la arquitectura mínima y añade complejidad solo cuando sea necesario.
Arquitectura Cognitiva
Estados Mentales BDI El modelado de creencia-deseo-intención proporciona una forma formal de traducir el contexto externo estructurado en estados mentales del agente. Úsalo para la agencia racional, la explicabilidad y los sistemas que necesitan enlaces auditables entre creencias, metas y acciones elegidas.
Conceptos Centrales
La colección se organiza en torno a cuatro temas centrales. En primer lugar, los fundamentos del contexto establecen qué es el contexto, cómo funcionan los mecanismos de atención y por qué la calidad del contexto importa más que la cantidad. En segundo lugar, los patrones arquitectónicos cubren las estructuras y los mecanismos de coordinación que permiten sistemas de agentes efectivos. En tercer lugar, la excelencia operacional aborda la optimización, la evaluación y la confiabilidad del arnés. En cuarto lugar, la metodología de desarrollo y la arquitectura cognitiva cubren la ejecución de proyectos y el modelado formal de estados mentales.
Guía Práctica
Cada habilidad se puede usar de forma independiente o en combinación. Comienza con los fundamentos para establecer modelos mentales de gestión de contexto. Adéntrate en los patrones arquitectónicos según los requisitos de tu sistema. Consulta las habilidades operativas al optimizar sistemas en producción.
Las habilidades son independientes de la plataforma y funcionan con Claude Code, Cursor o cualquier framework de agentes que admita instrucciones personalizadas o construcciones similares a habilidades.
Integración
Esta colección se integra consigo misma: las habilidades se refieren entre sí y se basan en conceptos compartidos. La habilidad de fundamentos proporciona contexto para todas las demás habilidades. Las habilidades arquitectónicas (multi-agente, memoria, herramientas) se pueden combinar para sistemas complejos. Las habilidades operativas (optimización, evaluación) se aplican a cualquier sistema construido utilizando las habilidades fundamentales y arquitectónicas.
Referencias
Habilidades internas en esta colección:
- context-fundamentals
- context-degradation
- context-compression
- multi-agent-patterns
- long-horizon-prompting
- memory-systems
- tool-design
- filesystem-context
- hosted-agents
- context-optimization
- self-managed-context
- latent-briefing
- evaluation
- advanced-evaluation
- harness-engineering
- self-improvement-loops
- project-development
- bdi-mental-states
Recursos externos sobre ingeniería de contexto:
- Investigación sobre mecanismos de atención y limitaciones de la ventana de contexto
- Experiencia en producción de los principales laboratorios de IA sobre el diseño de sistemas de agentes
- Documentación de frameworks para LangGraph, AutoGen y CrewAI
Metadatos de la Habilidad
Creado: 2025-12-20 Última Actualización: 2026-10-01 Autor: Contribuyentes de Habilidades de Agentes para Ingeniería de Contexto Versión: 2.6.0