Context Engineering: por qué el contexto importa más que el prompt perfecto

Se sigue diciendo que usar la IA es saber escribir un buen prompt. Y no es mentira: en un chatbot, una instrucción bien pensada te cambia el resultado por completo. Le das ejemplos, le marcas el formato, le pides que razone despacio, y de repente responde como querías, para escribir un correo, resumir algo o desatascar una idea. El problema apareció el día que dejamos de usar la IA como chatbot y pasamos a usar agentes, algo cada vez más habitual en equipos de marketing y datos.

Del prompt perfecto a los agentes que se pierden

Ahí el prompt perfecto se queda corto. Puedes redactar la instrucción más cuidada del mundo, pero el agente no recuerda lo que decidiste ayer, no conoce las convenciones de tu proyecto y no sabe por qué hiciste las cosas de cierta manera.

Un chatbot vive en una conversación aislada, donde tú pones el contexto en cada mensaje. Un agente opera durante horas o días, toca varios archivos y encadena decisiones. Imagina pedirle que corrija un módulo: sin memoria de por qué se descartó cierto enfoque la semana pasada, es fácil que proponga justo lo que ya se rechazó, y acabes corrigiéndolo dos veces por el mismo motivo. Ningún prompt, por bueno que sea, sustituye eso.

Qué es el context engineering

A esto se le llama context engineering, y es la parte más decisiva del asunto. No va de preguntar mejor, va de construir el sitio donde el agente trabaja: qué sabe, qué recuerda, a qué tiene acceso y en qué momento.

Es el mismo principio que ya defendemos en Data Governance: una buena estructura y gobernanza de la información también aplica a lo que le damos a un agente de IA. Cuanto más ordenado y trazable esté ese contexto, mejores y más consistentes son los resultados que obtienes, igual que con los datos de una empresa: sin auditoría ni trazabilidad, no hay forma fiable de repetir un buen resultado.

Los pilares prácticos del contexto

En la práctica son cosas bastante mundanas, pero que marcan toda la diferencia entre un agente que acierta a la primera y uno al que hay que corregir constantemente.

Un archivo de instrucciones del proyecto

Un agents.md o claude.md con las convenciones del proyecto: cómo se nombran las cosas, qué está prohibido tocar, qué estilo seguir. El agente lo lee antes de empezar, en vez de tener que repetírselo en cada sesión nueva.

Un archivo de memoria

Un memory.md que guarde las decisiones ya tomadas: por qué se descartó tal enfoque, qué se acordó con el cliente, qué se probó y no funcionó. Sin esto, cada sesión empieza de cero y el agente puede proponer otra vez algo que ya se rechazó la semana pasada.

Una estructura de carpetas sensata

Un proyecto ordenado deja que el agente lea justo lo que necesita, sin rastrear medio repositorio ni gastar tokens de más adivinando dónde está cada cosa. Orden de carpetas es, literalmente, contexto barato, y cuanto menos tenga que adivinar el agente, menos margen de error.

Grafos de conocimiento, para cuando el proyecto crece

En proyectos grandes, con muchas piezas relacionadas entre sí, ya se recurre a grafos de conocimiento tipo Graphify para mapear cómo se conecta todo. Pero esto es la excepción: para la mayoría de proyectos, con los tres puntos anteriores basta y sobra.

Qué cambia realmente en tu forma de trabajar

El contexto hace que el agente trabaje bien mañana sin que estés encima. Y según crece el proyecto, el trabajo se te va desplazando: de afinar la pregunta, a cuidar lo que la rodea.

Es un cambio de hábito más que de herramienta. Los equipos que lo interiorizan pronto notan la diferencia: menos correcciones repetidas, menos explicaciones de pasillo, y agentes que de verdad escalan con el proyecto en vez de ralentizarlo.

Cómo empezar hoy

1. Crea un agents.md con las reglas no negociables de tu proyecto: nombres, estilo, qué no tocar.
2. Abre un memory.md y anota ahí cada decisión que no quieras volver a explicar.
3. Revisa tu estructura de carpetas: si tú tardas en encontrar algo, el agente también.
4. Valora un grafo de conocimiento solo si el proyecto ya es grande e interconectado.

El prompt perfecto sigue importando para una pregunta puntual. Pero si trabajas con agentes de forma recurrente, la inversión que de verdad rinde ya no es afinar la pregunta, es la que pones en el contexto que la rodea — y esa inversión se nota en cada sesión siguiente, no solo en la primera.