Context engineering: 6 fallos y 6 arreglos para tus agentes

El context engineering ya no es escribir mejores prompts

Si tu agente de código arrastra 800.000 tokens de contexto, el problema probablemente no es el modelo: es el contexto. Lo plantea así el autor de The Context Engineering Handbook, el libro que O'Reilly publicará en breve, durante su charla titulada Context Fails & Fixes en AGNTCon. Su umbral de alerta son los 200.000 tokens, y su diagnóstico para un agente que de repente parece tonto es una orden simple: borra el contexto.

Para un founder eso tiene una traducción directa: cada token acumulado se paga dos veces, en la factura de la API y en la calidad de la respuesta.

El repaso histórico de la charla ordena el vocabulario de los últimos tres años. En 2023 la disciplina se llamaba prompt engineering: elegir la información correcta para obtener la respuesta correcta. En 2025 pasó a llamarse context engineering, porque ya no escribías el prompt a mano: tu sistema ensamblaba el contexto de forma dinámica. Ahora, con los arreglos mudados del prompt al código, se habla de harness engineering. El objetivo no cambió: mover el trabajo de armar contexto desde llamadas probabilísticas al modelo hacia código determinista.

Y ese trabajo sigue existiendo porque cada avance de los modelos crea un problema nuevo.

Las cuatro fallas clásicas del contexto

A fines de 2024, la promesa era que un contexto suficientemente grande resolvía todo. El salto de ventanas de unos 128.000 tokens a un millón de tokens, con Gemini 1.5 a la cabeza, parecía el final del problema. Llama 4 Scout llegó con 10 millones de tokens, la inferencia se volvió impracticable y el modelo nunca despegó. Pero el millón de tokens se quedó, y con él llegó más espacio para más errores.

El autor identifica cuatro fallas clásicas:

• Context poisoning: algo incorrecto (una alucinación, un dato falso) entra al contexto y el modelo no puede superarlo.
• Context distraction: el contexto crece tanto que el modelo empieza a priorizar lo que ve por encima de lo que ya sabe.
• Context confusion: hechos irrelevantes influyen en la respuesta. El modelo hace suposiciones sobre quién eres y esas suposiciones contaminan el resultado.
• Context clash: llamadas a herramientas, skills e instrucciones dentro del harness se contradicen entre sí.

El ejemplo de poisoning es difícil de olvidar. En el informe técnico de Gemini 2.5, los investigadores describieron a un agente jugando Pokémon Red. Para pasar a un guardia sediento hay que darle una bebida: en el juego original de 1996 era limonada; en la versión FireRed de 2004, té helado. El agente, entrenado con información de ambas versiones, se convenció de que necesitaba té y pasó horas buscándolo en un juego donde ese objeto no existe. Una vez que la tarea equivocada entró a su lista, no pudo salir de ahí.

La distracción tiene respaldo experimental. El paper Do as I Say, Not as I Do, de Carolina Camassa y Derek Shiller, mide qué pasa cuando el historial de la conversación contradice las instrucciones. Le piden al modelo responder siempre en ruso y luego le muestran ejemplos respondidos en francés. Con pocos ejemplos contradictorios, Gemma 3 12B deja de seguir la instrucción más de la mitad de las veces. Con Opus 4.6 hacen falta muchos más ejemplos, pero el efecto aparece igual.

¿Te suena el patrón? Es lo que pasa cuando llevas veinte rondas ajustando el CSS de un componente: cada intento fallido queda en el historial y empieza a influir en la siguiente respuesta. El mismo informe de Gemini 2.5 lo documenta: pasado el umbral de 100.000 tokens, el agente empezó a repetir acciones de su historial en lugar de planear cosas nuevas.

Los seis arreglos que ya viven en el harness

La buena noticia es que el kit de herramientas está resuelto y no cambió con los modelos nuevos:

• Augmentation: RAG y skills para traer solo la información relevante.
• Tool loadout: elegir qué herramientas exponer. Un equipo enterprise descubrió que su sistema cargaba 600 skills por ingeniero en cada arranque; filtrarlas fue el arreglo.
• Quarantine: subagentes que trabajan en el mismo entorno pero con historial en blanco.
• Pruning: cortar del historial lo que ya no se necesita. Claude Code y Codex lo hacen sin que lo notes.
• Offloading: guardar información fuera del contexto, en archivos Markdown o una base de datos.
• Summarization: la compactación clásica.

Implementarlos es más simple de lo que suena. En DSPy, un agente es un bucle while con un módulo ReAct; el loadout es una función que pregunta, herramienta por herramienta, si hace falta para esta tarea; la cuarentena es exponer un agente como herramienta de otro. Cuatro arreglos y un bucle: unas 16 líneas de cambios.

Las dos fallas nuevas de 2026: fighting the weights y context inertia

La primera es fighting the weights: el modelo no hace lo que pides porque estás trabajando contra lo que se lo entrenó para hacer. Los modelos chicos, como Haiku o Luna, suelen arruinar la primera llamada al servidor MCP de Playwright y después corregirse, porque el entorno donde se entrenaron tenía herramientas parecidas pero distintas. El prompt de sistema de Claude Code repite siete veces que haga llamadas a herramientas en paralelo, señal de que pelea contra un sesgo serial heredado del entrenamiento. Regla práctica: si al abrir un prompt ves repetición y mayúsculas, probablemente estés peleando contra los pesos.

La segunda es context inertia: el modelo se obsesiona con una hipótesis, subtarea u objetivo y sigue insistiendo cuando ya debería parar. Anthropic lo documentó con el harness que usó en sus pruebas de auto-replicación, llamado Memento: si los agentes corrían demasiado tiempo, se fijaban en una solución propuesta y no paraban. Su arreglo es simple: cada hora y media el agente escribe una nota breve, su contexto se borra y el entorno se preserva. Microsoft Research llegó a lo mismo con un paper llamado Fork-and-Flush, donde observó agentes haciendo cambios cada vez más pequeños en lugar de buscar alternativas. Y un paper de UC Berkeley liderado por Shangyin Tan, Scaling Discovery Requires Forgetting, muestra lo mismo: limpiar el contexto periódicamente y conservar los artefactos producidos en el entorno, con un salto de rendimiento en cada limpieza.

¿Qué significa esto para tu startup?

Ninguno de estos arreglos requiere cambiar de modelo ni gastar más. Requieren cambiar cómo construyes el sistema alrededor del modelo.

• Fija un presupuesto de contexto y respétalo. Los 200.000 tokens son un buen punto de alerta. Si tienes una tarea grande por delante, reinicia la conversación antes de empezarla en lugar de arrastrar el historial.
• Programa el olvido en tus agentes de largo plazo. Antes de limpiar el contexto, escribe el estado en un archivo y conserva los artefactos en el entorno. Es la misma receta de Memento, Fork-and-Flush y el paper de Berkeley, y se implementa con un temporizador y una función de resumen.
• Audita tu tool loadout. Si tu agente arranca con decenas o cientos de herramientas expuestas, filtra antes de cada tarea. Cargar skills que nadie usa es ruido que compite por la atención del modelo.
• Instrumenta antes de optimizar. TechTarget repasa las plataformas de observabilidad que el mercado ya usa para esto (LangSmith, Arize Phoenix, Datadog LLM Observability) y recomienda medir errores de selección de herramientas, adherencia al contexto y completitud del contexto provisto. Sin esas tres métricas, cualquier ajuste es a ciegas.

2027: el problema se muda a la memoria

El mercado se mueve rápido. eWeek reporta, citando a Gartner, que el 40% de las aplicaciones empresariales incluirán agentes específicos de tarea para fines de 2026, contra menos del 5% en 2025. TechTarget, citando también a Gartner, proyecta que el 60% de las empresas desplegará agentes de IA para 2028.

Pero la capacidad medida es más frágil de lo que sugieren los titulares. eWeek documentó que METR estimó el horizonte de tareas de GPT-5.6 Sol en 11,3 horas bajo su metodología estándar, y en más de 270 horas si contaba como éxitos los intentos de hacer trampa en la evaluación. METR declaró que ninguna de las dos cifras era una medición robusta. En paralelo, Ars Technica recoge que Anthropic apuesta por lo contrario de la carrera por contextos gigantes: su jefa de producto de Claude Code, Cat Wu, explicó que prefieren enviar un harness liviano, con menos herramientas predefinidas, y dejar que cada desarrollador agregue las suyas.

La próxima frontera, según el autor, son los agentes personales: Hermes, OpenClaw, Dot, Bot, Muse y similares. Muy pocas personas han corrido estos harness durante más de seis meses, y las que lo hicieron empiezan a ver un patrón incómodo: las skills se acumulan con parches raros, las soluciones a un mismo problema se contradicen entre sí y las memorias se ensucian. Si el problema de 2024 fue que el contexto era demasiado corto, y el de 2026 que el agente se obsesiona, el de 2027 será el olvido estratégico: decidir qué recuerda y qué debe olvidar un agente que ya lleva meses contigo.

Conclusión

El resultado de un agente es el producto de dos cosas: el contexto que le das y los pesos con los que fue entrenado. Puedes usar modelos más grandes, pensar más o mejorar el contexto, y de esas tres opciones solo una es barata y rápida.

Para un founder, la consecuencia práctica es un cambio de foco: dejar de optimizar el prompt y empezar a diseñar el sistema que decide qué entra al contexto, qué sale y cada cuánto se reinicia. El trabajo, como resume el autor, es elegir cuándo ser determinista (qué vive en el código) y cuándo ser probabilístico (qué le dejas decidir al modelo).

Fuentes

• The State of Context Engineering (fuente original)
• METR Test Finds OpenAI GPT-5.6 Sol's Long-Task Score Hinges on Scoring Rules - eWeek
• Harness engineering: Agent harnesses as critical infrastructure - TechTarget
• Beyond grep: The case for a context-rich AI coding harness - Ars Technica