Ingeniería de Contexto 2.0: El Contexto de la Ingeniería de Contexto Este artículo plantea una cuestión importante: la ingeniería de arxiv.org/pdf/2510.26493pto nuevo surgido en los últimos años, sino un campo que se ha desarrollado durante más de 20 años. El artículo divide su evolución en cuatro etapas y se centra en el análisis de las características de las eras 1.0 y 2.0. Enlace al artículo: https://t.co/Mj5DyFf5fy La esencia de la ingeniería de contexto radica en un proceso de "reducción de entropía". Al comunicarse, los humanos recurren al conocimiento compartido, las señales emocionales y la percepción situacional para "completar la información faltante". Sin embargo, las máquinas carecen actualmente de esta capacidad, por lo que debemos "preprocesar" el contexto para ellas, comprimiendo la información bruta de alta entropía en una representación de baja entropía que las máquinas puedan comprender. El documento define formalmente el contexto como "cualquier información que pueda utilizarse para describir el estado de las entidades relacionadas con las interacciones del usuario y la aplicación", mientras que la ingeniería de contexto es "el diseño sistemático y la optimización del proceso de recopilación, almacenamiento, gestión y uso del contexto". Cuatro etapas del desarrollo Era 1.0 (1990-2020): La era de la computación primitiva • Bajo nivel de inteligencia artificial, solo capaz de procesar entradas estructuradas • Los humanos deben "traducir" las intenciones a formatos legibles por máquina • Sistemas representativos: Context Toolkit, aplicaciones con reconocimiento de ubicación • El contexto proviene principalmente de sensores (GPS, reloj, etc.) Era 2.0 (2020-Presente): La Era de los Agentes Inteligentes • El surgimiento de grandes modelos de lenguaje marcó un punto de inflexión • Las máquinas comenzaron a comprender el lenguaje natural y pudieron procesar información ambigua e incompleta • Sistemas representativos: ChatGPT, LangChain, AutoGPT • El contexto incluye el historial de conversaciones, documentos de búsqueda, API de herramientas, etc. La era 3.0 (futuro): Inteligencia de nivel humano: los sistemas poseerán capacidades de razonamiento y comprensión similares a las humanas, podrán percibir contextos complejos como señales sociales y estados emocionales, y lograrán una colaboración humano-máquina verdaderamente natural. La era 4.0 (especulativa): Inteligencia sobrehumana: las máquinas superarán las capacidades humanas y poseerán una "visión divina". • Ya no se adaptan pasivamente a contextos definidos por el ser humano, sino que construyen activamente nuevos contextos. • Descubren necesidades ocultas que los seres humanos no expresan explícitamente. Consideraciones de diseño: tres dimensiones clave de la ingeniería contextual 1. Recopilación y almacenamiento de contexto: • Principio de mínima suficiencia: Recopilar y almacenar solo la información necesaria. • Principio de continuidad semántica: Mantener la continuidad del significado, no solo de los datos. • Las estrategias de almacenamiento han evolucionado desde sistemas de archivos locales hasta una arquitectura por capas (caché a corto plazo + base de datos a largo plazo + almacenamiento en la nube). 2. Gestión del contexto: Varios métodos comunes para manejar el contexto del texto: • Marcas de tiempo: Simples, pero carecen de estructura semántica. • Etiquetas funcionales: Organizan la información por rol (p. ej., «objetivo», «decisión», «acción»). • Compresión de pares pregunta-respuesta: Adecuada para la recuperación de información, pero interrumpe el flujo de pensamiento. • Notas jerárquicas: Estructura arbórea, pero dificultan la expresión de relaciones causales. Para contextos multimodales: • Asignar diferentes modalidades a un espacio vectorial compartido. • Utilizar un mecanismo de autoatención para el procesamiento conjunto. • Utilizar la atención cruzada para permitir que una modalidad se centre en otra. 3. Uso contextual: • Compartición dentro del sistema: mediante la inserción de señales, mensajes estructurados o memoria compartida. • Compartición entre sistemas: mediante adaptadores para transformar o compartir representaciones (JSON, resúmenes en lenguaje natural, vectores semánticos). • Selección del contexto: basada en factores como la relevancia semántica, la dependencia lógica, la actualidad y la frecuencia. Casos prácticos de aplicación: Gemini CLI: Gestiona el contexto del proyecto mediante el archivo GEMINI.md, admitiendo la herencia jerárquica. Tongyi DeepResearch: Gestiona tareas de investigación abiertas, comprimiendo periódicamente historiales de interacción extensos. Interfaz cerebro-ordenador: Captura directamente señales neuronales, recopilando estados cognitivos internos como la atención y los estados emocionales. Desafíos clave: • Cuello de botella de almacenamiento para contextos de larga duración: ¿Cómo conservar la mayor cantidad posible de contexto relevante con recursos limitados? • Degradación en el manejo de contextos largos: La complejidad O(n²) de los Transformers genera problemas de eficiencia y calidad. • Estabilidad del sistema: Pequeños errores pueden tener un impacto generalizado a medida que se acumula memoria. • Dificultades de evaluación: Falta de mecanismos para verificar contradicciones y rastrear cadenas de razonamiento.
