De dónde salió el término
En junio de 2025 el director ejecutivo de Shopify, Tobi Lütke, escribió que prefería el término context engineering y lo definió como el arte de darle al modelo todo el contexto para que la tarea sea plausiblemente resoluble (post de Lütke). Una semana después Andrej Karpathy lo apoyó: en aplicaciones serias con modelos de lenguaje es el arte y la ciencia delicados de llenar la ventana de contexto con justo la información correcta para el siguiente paso (post de Karpathy; capítulo “Memory and Context”).
En septiembre de 2025 Anthropic lo resumió todavía más: encontrar el conjunto más pequeño posible de tokens con mucha señal (Anthropic). La palabra clave es “más pequeño”.
Por qué no meterle todo
El contexto es el escritorio en el que se pusieron las carpetas necesarias sacadas del archivo. Lo que aceptan los modelos pasó de unas pocas páginas a un millón de tokens o más, y con eso llegó la tentación de vaciar el archivo entero sobre el escritorio (capítulo “Memory and Context”). No conviene. El artículo “Lost in the Middle”, de 2023, mostró que los modelos aprovechan bien lo que está al principio y al final de un texto largo y bastante peor lo que queda en medio (arXiv). En julio de 2025 Chroma probó 18 modelos y vio que todos se vuelven menos fiables a medida que crece la entrada, incluso en tareas simples; lo llamó context rot (Chroma; mismo capítulo).
El segundo problema es lo viejo mezclado con lo nuevo. Si guardas la lista de precios del salón del año pasado junto a la de este año, la búsqueda devuelve las dos, y el agente puede darle a la clienta cualquiera de los precios (mismo capítulo).
Cómo se ve en la práctica
El agente siempre está en su primer día: cada conversación empieza de cero, y todo lo que necesita saber del proyecto hay que dárselo de nuevo, por escrito (capítulo “Architecture as a System of Prohibitions”). Lo que se diseña es todo su entorno de información: qué sabe desde el inicio, cuándo y de dónde se entera del resto, qué puede hacer, qué herramientas ve y qué queda en la memoria después de la tarea (capítulo “Memory and Context”).
En mis proyectos un modelo barato dentro de una buena memoria resultó mucho más listo de lo esperado, mientras que uno caro que llegaba de cero pasaba la primera media hora pisando rastrillos que alguien ya había anotado (capítulo “Intelligence Does Not Live in the Model”). Los dos primeros módulos de mi curso de IA y vibe coding enseñan justo esto a quien no programa: plantear la tarea y armar un entorno de proyecto alrededor del modelo.
