Imagina que encargas a un agente añadir búsqueda de notas. Ayer explicaste una condición importante: buscar solo en los títulos. Hoy continúas y el agente propone buscar también en el contenido. Parece que ha «olvidado» lo acordado. Pero ¿qué puede haber cambiado: el historial guardado, su resumen o los datos que el modelo recibió ahora?

Guardar, leer y entregar al modelo son cosas distintas. Para entenderlo seguiremos una tarea larga: empezamos a añadir una función, trabajamos, hacemos una pausa y volvemos al día siguiente. Es una historia didáctica, no el registro de una prueba de un agente concreto.

En la comparación anterior examinamos distintos productos. Aquí seguiremos un mecanismo común a través de una tarea.

Tener un repositorio cerca no lo convierte en contexto del modelo

La tarea trata de una aplicación con notas. La búsqueda debe ignorar las diferencias entre mayúsculas y minúsculas y revisar solo los títulos. Excluimos el contenido de las notas. El agente necesita ese requisito, el código de la lista y el lugar donde se ejecutará la búsqueda. Otros materiales del proyecto pueden resultar útiles después, pero su mera existencia todavía no explica nada al modelo.

El contexto es la información que recibe el modelo para decidir ahora: instrucciones, mensajes, fragmentos seleccionados de archivos y resultados de acciones anteriores. El software que rodea al agente, o harness, organiza el acceso a los materiales y su entrega. El modelo puede pedir leer un archivo; una herramienta devuelve su contenido o la parte necesaria. Esa información sirve entonces de apoyo al siguiente paso.

Conviene distinguir «el archivo existe en el proyecto», «el agente lo encontró» y «el fragmento pertinente está disponible para el modelo ahora». Incluso un archivo leído antes puede aparecer en un paso posterior como versión abreviada o referencia que haya que consultar de nuevo. La selección concreta depende de la implementación del agente.

Esta es una de las tareas de la ingeniería de contexto: seleccionar datos útiles durante el trabajo, además de redactar una buena petición inicial. Para nuestra búsqueda importan la condición de limitarse a los títulos y el código actual, más que cargar todos los materiales disponibles sin criterio.

El historial crece, pero la ventana de trabajo tiene límites

Durante el trabajo llegan datos nuevos: el agente lee un componente, propone un cambio, recibe comentarios y ve el resultado de una comprobación. Estos materiales pueden guardarse en el historial de conversación. Sin embargo, la petición actual al modelo tiene un límite de capacidad: la ventana de contexto.

La capacidad se mide en tokens, las unidades en las que el sistema divide el texto y otros datos. Un token no equivale a una palabra: una palabra puede contener varios tokens. No necesitas el cálculo exacto para entender la tarea. Lo importante es que hacen falta espacio y capacidad para más que tu último mensaje: también cuentan las instrucciones, los fragmentos de código, los resultados anteriores y la respuesta del modelo. OpenAI explica estos límites en su guía de la ventana de contexto.

Puedes imaginar el contexto actual como una selección de documentos sobre una mesa y el historial guardado como un archivo. Es solo una metáfora de capacidad y selección, no un modelo de la memoria humana. El archivo puede ser mucho mayor que lo que hay ahora sobre la mesa.

Una ventana mayor ofrece más espacio. Por sí sola no establece si se encontró el archivo correcto, si una nota antigua es válida o si las instrucciones se contradicen. Cuando un agente ignora un requisito, desbordar el contexto es solo una causa posible; sin observar la ejecución concreta todavía no es un diagnóstico.

Un resumen conserva una selección, no toda la conversación

Una forma de continuar un trabajo largo es la compresión del historial, o compaction. Para los siguientes pasos se prepara una descripción más compacta en lugar de una parte extensa de la conversación anterior. Puede conservar el objetivo, las decisiones importantes, el estado actual y las referencias, eliminando repeticiones y resultados intermedios largos. El estado compactado no siempre es texto legible; nuestro ejemplo usa un resumen comprensible para una persona.

En nuestra historia, un buen resumen conservaría: «Añadir búsqueda sin distinguir mayúsculas, solo en los títulos; excluir el contenido de las notas». Si únicamente queda «añadir búsqueda de notas», se conservó el nombre de la tarea, pero no su restricción importante. Una propuesta posterior de buscar en todo el texto resulta más comprensible, aunque no más correcta.

En su explicación de compaction, Anthropic advierte expresamente sobre perder detalles importantes con una compresión excesiva. La documentación actual de Claude Code también describe resúmenes automáticos y la posible pérdida de instrucciones iniciales detalladas. Son mecanismos documentados de sistemas concretos; otro agente puede gestionar el historial de otra manera.

En este ejemplo didáctico retiramos deliberadamente la excepción para ver la consecuencia. En un trabajo real podría haber seguido en el contexto y, aun así, el modelo podría haberla aplicado mal. Revisar el resumen ayuda a distinguir estas situaciones, pero no explica automáticamente cualquier fallo.

Qué queda después de una pausa

Supongamos que paramos por la tarde. Parte del código ya cambió, la conversación contiene el requisito acordado y una nota de trabajo registra el siguiente paso. Son materiales distintos con formas de almacenamiento diferentes.

MaterialQué puede quedar guardadoQué hace falta para continuar
Archivos del proyectoCódigo tras los cambiosEncontrar y leer las partes actuales pertinentes.
Historial de conversaciónMensajes, llamadas y resultadosAñadir el historial necesario o su representación al contexto.
Resumen del trabajoObjetivo, decisiones y estado seleccionadosLeerlo y comprobar que no se perdió una condición importante.
Nota de memoriaUn hecho, preferencia o aprendizaje concretoCargar la nota pertinente y revisar su vigencia.
Estado de la tareaQué está hecho y qué quedaContrastar el registro con los archivos y las pruebas disponibles.
En una pantalla estrecha, desplaza la tabla horizontalmente. Con el teclado: enfócala con Tab y usa las flechas izquierda/derecha.

Guardar una conversación no significa entregar todo su historial al modelo en cada paso. En Managed Agents de Anthropic, el registro de eventos está expresamente separado de la ventana de contexto: el harness puede seleccionar partes. Es un ejemplo claro de la diferencia entre archivo y entrada actual, no una arquitectura obligatoria para todos los agentes.

Una sesión nueva y continuar la anterior son acciones distintas

Al día siguiente puedes continuar la conversación guardada o empezar otra. El producto determina qué se restaura. Por ejemplo, Claude Code documenta el almacenamiento de conversaciones y la continuación de sesiones; una sesión nueva empieza sin el historial de la anterior. A la vez, instrucciones y notas de memoria separadas pueden trasladar información útil entre sesiones.

Aquí, memoria del agente significa registros guardados fuera de la ventana actual que el programa puede reutilizar. Es una definición de trabajo: distintos productos llaman «memoria» a mecanismos algo diferentes. Claude Code describe por separado las instrucciones del usuario y las notas automáticas del agente. No todos los programas tienen el mismo guardado o carga automáticos.

En ambos casos, la pregunta útil no es «¿lo recuerda todo?», sino «¿qué información recibirá para la siguiente decisión?». Si la nueva conversación solo contiene un objetivo general y la ruta del proyecto, todavía hay que recuperar la condición sobre los títulos de una fuente fiable.

Cuando el programa guarda una nota y la entrega al modelo, cambia los datos disponibles. Eso por sí solo no reentrena los pesos, los parámetros internos aprendidos del modelo. Es posible usar un hecho nuevo aportado por el mensaje actual sin ejecutar un proceso de entrenamiento separado.

Una nota guardada también puede equivocarse

Volvamos a la búsqueda. Una nota puede decir «el filtro está listo». Pero no indica qué versión del código se comprobó, si se contemplaron las mayúsculas o si se mantuvo la restricción a los títulos. Todavía no es una descripción suficiente del estado.

Es más útil registrar por separado el objetivo, la decisión acordada, el cambio hecho, lo que no se ha comprobado y una referencia al archivo pertinente. «Quizá necesitemos buscar en todo el texto» sigue siendo una suposición hasta que el usuario cambie el requisito. Copiar esa frase a la memoria no la convierte en una decisión acordada.

Asimismo, una nota antigua puede referirse a una función ya renombrada. Antes de usarla hay que contrastarla con el proyecto actual. Un resultado de comprobación guardado tampoco confirma una versión posterior y modificada del código. La memoria ayuda a encontrar un apoyo, pero no sustituye la verificación.

Cómo perder menos contexto durante un trabajo largo

Empieza con un objetivo breve y comprobable. Para nuestra tarea, en lugar de «hacer una buena búsqueda», basta «encontrar notas por el título, sin distinguir mayúsculas; excluir su contenido». Esa condición resulta más fácil de reconocer en un resumen y contrastar con el resultado.

Antes de hacer una pausa, guarda o pide un resumen breve de lo acordado, lo que cambió, lo pendiente, los archivos pertinentes y las preguntas abiertas. Revísalo: el agente también puede confundir un hecho con una suposición. Una referencia a un archivo permite volver a la fuente en vez de confiar para siempre en un relato.

Al volver, contrasta primero el resumen con el estado actual del trabajo. Para reglas duraderas, usa el mecanismo de instrucciones o memoria que admita el producto y comprueba cuándo se carga realmente. Crear un archivo con una regla no lo demuestra por sí solo. Trataremos por separado los formatos y la configuración de esos mecanismos.

La idea principal es sencilla: además de guardar información, hay que devolver la parte correcta y vigente a la siguiente decisión. El contexto actual es una selección de trabajo; el historial, un archivo; y las notas de memoria, posibles apoyos para continuar. Al distinguirlos, es más fácil entender al agente y preguntar con precisión qué le falta ahora.