Los ingenieros de Anthropic fusionan 8 veces más código al día que hace un año. El modelo no cambió. El hardware no cambió. El tamaño del equipo no cambió. Lo que cambió es lo que Claude ve antes de empezar a trabajar.
La mayoría de los desarrolladores pasan su tiempo escribiendo mejores prompts. Los ingenieros de Anthropic pasan su tiempo construyendo un mejor contexto. Ese único cambio es el responsable de toda la brecha de 8x.
La propia investigación de Anthropic lo plantea directamente: la calidad de un agente de IA está determinada menos por el modelo y más por el contexto que le das. Claude solo ve lo que hay dentro de la ventana de contexto. Todo lo que está fuera de esa ventana no existe. Lo que significa que el trabajo completo de un ingeniero de IA serio no es escribir prompts ingeniosos, sino asegurarse de que Claude tenga exactamente la información correcta antes de realizar una sola acción.
Esa disciplina ya tiene nombre. Ingeniería de contexto. Y está reemplazando a la ingeniería de prompts de la misma manera que la ingeniería de prompts reemplazó al scripting manual hace dos años.
Guarda esto y sígueme
Soy Noisy, un desarrollador con 4 años de experiencia. Construyo sistemas de IA, pipelines de automatización y encuentro formas de convertir la tecnología en ingresos reales.
Por qué tu agente de IA da malas respuestas
La mayoría de la gente culpa al modelo cuando un agente de IA falla. Archivo editado incorrectamente. Suposición errónea. Un error obvio que cualquier desarrollador habría detectado.
El modelo casi nunca es el problema. El problema es la falta de contexto.
1Lo que la mayoría le da a Claude | un prompt2Lo que Claude realmente necesita | conocimiento, memoria, archivos,3 | reglas, ejemplos, herramientas,4 | estado, acciones previas
Un prompt es una oración. El contexto es todo el entorno de información en el que opera Claude. La diferencia entre un agente que funciona y uno que no, casi siempre es lo que hay en ese entorno, no qué modelo se está ejecutando.
Anthropic lo describe de esta manera: el LLM solo ve lo que está en la ventana de contexto. El contexto es el sistema operativo para la IA. Si lo construyes mal, nada funciona, sin importar cuán capaz sea el modelo.
Qué es realmente el contexto
La mayoría de la gente piensa que el contexto significa el texto que pegan antes de su pregunta. Eso es solo una capa. Un contexto correctamente diseñado tiene siete componentes trabajando juntos.
1Memoria | lo que el agente sabe de sesiones pasadas2Instrucciones | reglas, restricciones, estilo de codificación3Ejemplos | cómo se ve realmente una buena salida4Archivos | código relevante, documentos, arquitectura5Acciones previas | lo que el agente ya intentó6Resultados de herramientas | lo que devolvieron las búsquedas y funciones7Estado | dónde se encuentra la tarea actualmente
Cada vez que Claude realiza una acción, el contexto crece. Los resultados de las herramientas regresan. Se leen nuevos archivos. El estado se actualiza. Claude ve el nuevo contexto y decide la siguiente acción. Este ciclo es el mecanismo real de un agente; no el prompt, no el modelo, sino el contexto que evoluciona con cada paso.
1Solicitud del usuario2↓3Contexto construido a partir de los siete componentes4↓5Claude decide la acción6↓7La herramienta se ejecuta8↓9Resultado añadido al contexto10↓11Claude ve el nuevo contexto12↓13Siguiente acción14↓15Repetir hasta terminar
Un mal agente rompe este ciclo en el paso dos. El contexto está incompleto, por lo que Claude hace suposiciones. Las suposiciones son incorrectas, por lo que el resultado es incorrecto. La mayoría de los desarrolladores solucionan esto reescribiendo el prompt. La solución real es construir el contexto correctamente.
La pila de contexto de tres capas
Anthropic recomienda pensar en el contexto en tres capas. Cada capa cumple un propósito diferente y se carga en un punto distinto del trabajo del agente.
1Contexto global | siempre presente, en cada sesión2Contexto de proyecto | cargado al inicio del proyecto3Contexto de tarea | cargado para la tarea específica
El Contexto global es la capa permanente. Identidad, reglas fundamentales, estilo de codificación, lo que el agente nunca debe hacer. Esto nunca cambia entre sesiones y nunca necesita ser reexplicado.
1El contexto global contiene:2- Identidad y rol del agente3- Estándares de codificación y reglas de estilo4- Restricciones de seguridad5- Qué no tocar ni modificar nunca6- Cómo manejar la incertidumbre
El Contexto de proyecto es la capa de conocimiento. Todo lo que Claude necesita para entender esta base de código específica: la arquitectura, los patrones utilizados, las decisiones tomadas y por qué, las cosas que salieron mal antes.
1El contexto de proyecto contiene:2- README y resumen de arquitectura3- AGENTS.md con reglas específicas del proyecto4- Estructura de carpetas y convenciones de nombres5- Requisitos y patrones de prueba6- Dependencias clave y por qué fueron elegidas
El Contexto de tarea es la capa de ejecución. El archivo específico en el que se está trabajando, el ticket actual, el objetivo inmediato, las restricciones que se aplican a esta tarea exacta.
1El contexto de tarea contiene:2- Archivo actual y archivos relacionados3- El objetivo específico para esta sesión4- Cambios recientes y sus resultados5- Resultados de pruebas actuales6- Restricciones específicas de esta tarea
La mayoría de los desarrolladores solo le dan a Claude el contexto de la tarea. El agente comienza cada sesión sin contexto global o de proyecto y tiene que adivinar todo lo que no sabe. Esas suposiciones son de donde provienen los errores.
AGENTS.md: el archivo que lo cambia todo
El archivo individual más importante en cualquier configuración seria de Claude Code. Los investigadores han identificado AGENTS.md como el nuevo estándar para el contexto de agentes de codificación de IA; ahora está presente en miles de repositorios de producción específicamente porque funciona.
AGENTS.md es donde vive permanentemente el contexto del proyecto. Claude lo lee automáticamente al inicio de cada sesión. Después de eso, nunca más necesita que se le diga nada de eso.
1# AGENTS.md23## Arquitectura4Monorepo con frontend en Next.js y backend en Express.5Todas las rutas de API viven en /api. Nunca modifiques /legacy directamente.67## Reglas de codificación8Nunca uses axios. Usa siempre fetch.9Cada componente: TypeScript, Tailwind, Server Actions.10No uses exportaciones por defecto excepto para las páginas.1112## Pruebas13Vitest para pruebas unitarias. Playwright para E2E.14Ejecuta npm test antes de cada commit.15Nunca deshabilites una prueba fallida: arréglala o escala el problema.1617## Git18Nunca hagas commit directamente a main.19Abre siempre un PR con una descripción clara.20Vincula cada PR a un ticket de Linear.2122## No tocar nunca23src/payments/ - cualquier cambio requiere aprobación humana24src/auth/tokens/ - se requiere revisión de seguridad25archivos .env - nunca leer ni modificar
Cada regla en este archivo es un error que Claude nunca volverá a cometer. Cuanto más tiempo se ejecute el proyecto, más específico y valioso se vuelve AGENTS.md: es el conocimiento acumulado de cada error que cometió el agente y cada convención que estableció el equipo.
La pila de contexto que impulsa a los agentes serios
Los mejores ingenieros de IA no comienzan una tarea escribiendo un prompt. Construyen una pila de contexto: una secuencia estructurada de información que se carga antes de que Claude realice una sola acción.
1Paso 1 | cargar contexto global - identidad, reglas, estilo2Paso 2 | cargar contexto de proyecto - AGENTS.md, arquitectura, docs3Paso 3 | buscar en la memoria experiencias pasadas relevantes4Paso 4 | cargar archivos relevantes para esta tarea específica5Paso 5 | cargar estado actual - resultados de pruebas, cambios recientes6Paso 6 | definir el objetivo de la tarea con criterios de éxito claros7Paso 7 | Claude actúa con información completa
Compara cómo se ve un agente con un contexto bien diseñado frente al predeterminado:
1Mal agente:2Pregunta → Claude → Respuesta3Claude adivina todo lo que no sabe45Buen agente:6Pregunta7↓ buscar docs8↓ buscar memoria9↓ leer AGENTS.md10↓ leer archivos relevantes11↓ verificar estado actual12↓ Claude13↓ Respuesta construida con información completa
El segundo agente no es más inteligente. Está mejor informado. El modelo es idéntico. El contexto no.
Memoria: el contexto que sobrevive entre sesiones
Anthropic establece una distinción clara entre los tipos de memoria que alimentan el contexto. La mayoría de los agentes solo tienen una: la conversación actual. Por eso comienzan cada sesión desde cero.
1Memoria a largo plazo | todo lo aprendido en todas las sesiones pasadas2Memoria a corto plazo | lo que sucedió antes en esta conversación3Memoria de trabajo | lo que está en la ventana de contexto ahora mismo
La memoria a largo plazo es lo que hace que un agente aumente su valor con el tiempo. Cada sesión se suma a ella. Cada error queda registrado. Cada patrón exitoso se almacena. El agente que ha estado ejecutándose en una base de código durante seis meses sabe cosas sobre ese proyecto que ningún prompt puede replicar.
La implementación práctica es un archivo de memoria: un documento markdown fuera de la conversación que el agente lee al inicio de cada sesión y actualiza al final.
1# Memoria del proyecto23## Decisiones de arquitectura4- Elegimos Supabase sobre Firebase: el tiempo real es menos crítico, se necesitaban consultas SQL5- Migramos de REST a tRPC: seguridad de tipos en todo el stack, junio de 202667## Lo que ha funcionado8- Una mayor cobertura de pruebas antes de refactorizar evita regresiones9- Dividir PRs grandes en lanzamientos con feature flags reduce el tiempo de revisión1011## Lo que no ha funcionado12- Generación automática de migraciones: la deriva del esquema causó un incidente en producción13- Escrituras paralelas del agente en el mismo archivo: usar siempre worktrees1415## Patrones recurrentes16- Los problemas de autenticación casi siempre se remontan al orden del middleware17- Los problemas de rendimiento suelen comenzar en la capa de consulta de la base de datos
Cada sesión se lee este archivo. Cada sesión se actualiza. El agente nunca olvida.
MCP: contexto desde todas partes
El contexto no solo proviene de los archivos en el repositorio. Un agente de producción necesita contexto de cada sistema en el que trabaja el equipo: el rastreador de problemas, el monitor de errores, la documentación, la base de datos, las herramientas de comunicación.
El Model Context Protocol (MCP) es la forma en que Claude extrae contexto de sistemas externos sin integraciones personalizadas para cada uno.
1Sistema de archivos | archivos locales, configuraciones, bases de código2GitHub | problemas, PRs, historial de commits, resultados de CI3Linear / Jira | tickets, prioridades, estado del proyecto4Slack | decisiones tomadas, contexto de discusiones5Postgres | datos en vivo, esquema, resultados de consultas6Google Drive | docs, especificaciones, notas de reuniones7Sentry | errores en vivo, frecuencia, usuarios afectados
Un agente con MCP configurado no solo ve el código. Ve el ticket que describe por qué se necesita esta función, la conversación de Slack donde se decidió la arquitectura, el error de Sentry que muestra cómo los usuarios están encontrando el bug y el esquema de la base de datos que la solución debe respetar.
Eso es contexto completo. Todo lo que Claude necesita para tomar la decisión correcta sin adivinar.
El flujo de trabajo de ingeniería de contexto
Así es como se ve una tarea con ingeniería de contexto adecuada de principio a fin.
En lugar de:
1Construye la función de exportación.
Le das a Claude:
1Objetivo2La función de exportación está bloqueando la conversión de gratuito a pro.3Ver señal: /signals/export-too-hidden.md45Archivos relevantes6src/features/export/ - implementación actual7src/components/ui/Button.md - patrones de botones a seguir8tests/features/export.test.ts - cobertura de pruebas existente910Restricciones de arquitectura11Leer sección de AGENTS.md: Reglas de exportación12Nunca modificar la integración de facturación directamente1314Criterios de éxito15Todas las pruebas existentes pasan16Nuevas pruebas cubren los tres formatos de exportación17Se abre un PR vinculado al ticket de Linear EXP-4718Sin cambios en src/payments/
La misma tarea. Contexto completamente diferente. El resultado no es incrementalmente mejor; es categóricamente diferente porque Claude está tomando decisiones con información completa en lugar de suposiciones inteligentes.
La configuración práctica para este fin de semana
Día 1: Construye la pila de contexto de tres capas. Escribe un archivo de contexto global con identidad y reglas fundamentales. Crea AGENTS.md con la arquitectura de tu proyecto, convenciones de codificación y la lista de "no tocar nunca". Configura un archivo de memoria que se cargue al inicio de la sesión y se actualice al final.
Día 2: Conecta contexto externo mediante MCP. Instala el conector de GitHub para que Claude vea tu rastreador de problemas e historial de PRs. Instala el conector de sistema de archivos para que navegue por la base de código de manera eficiente. Añade Slack o Linear si tu equipo los usa para tomar decisiones.
Día 3: Prueba la diferencia. Ejecuta la misma tarea con tu antiguo enfoque de solo prompts y con la pila de contexto completa. La brecha en el resultado es de donde proviene el aumento de productividad de 8x.
El cambio que ya ocurrió
La ingeniería de prompts trataba sobre encontrar las palabras correctas. La ingeniería de contexto trata sobre construir el entorno de información correcto.
Los mejores ingenieros de IA en Anthropic no pierden tiempo creando prompts ingeniosos. Pasan tiempo asegurándose de que Claude tenga exactamente el conocimiento, la memoria, los archivos, las reglas y el estado correctos antes de realizar una sola acción. El prompt es el último 1% del trabajo. El contexto es el otro 99%.
Un agente con prompts perfectos y un contexto pobre comete errores inteligentes. Un agente con prompts promedio y un contexto completo toma decisiones correctas. El modelo es el mismo. El entorno de información no.
El contexto es el sistema operativo para la IA. Constrúyelo bien y la brecha de salida de 8x dejará de ser algo que sucede en Anthropic y empezará a ser algo que sucede en tu base de código.
La mayoría de los desarrolladores seguirán reescribiendo sus prompts y se preguntarán por qué los resultados no mejoran. Unos pocos pasarán un fin de semana construyendo una pila de contexto adecuada y nunca mirarán atrás.
Tú construyes tu propia vida, así que elige el camino correcto.
/ Si esto fue útil, sígueme /
