La ingeniería de contexto favorece la eliminación de ruido más que el aumento de tamaño

Contexto no siempre significa más información

Los consejos habituales sobre ventanas de contexto suelen centrarse en incluir más contenido: mayor número de documentos recuperados, el archivo completo en lugar de una función, etc. La práctica, sin embargo, demuestra que el truco más eficaz es hacer lo contrario: eliminar el desecho.

Un contexto cargado de material marginalmente relevante empeora la respuesta del modelo y, además, incrementa el coste, ya que cada token tiene un precio en cada llamada. El modelo no filtra su contexto como lo haría un índice de búsqueda; simplemente presta atención a todo lo que se le entrega y la información no pertinente compite por la atención. Si se le presentan cinco fragmentos recuperados y solo uno es relevante, se añaden cuatro oportunidades para que el modelo se enfoque en algo erróneo.

Otro factor es la posición del material dentro de la ventana. El centro tiene un sesgo de “soft spot”: los tokens al principio y al final reciben más peso que los que están en medio. Por lo tanto, la ubicación de una pieza de información puede decidir si se utiliza o no, aunque esté presente.

Tres pilas de contenido esencial

1. La tarea – Una declaración clara del objetivo.
2. Datos relevantes – Solo los hechos que realmente aportan a la tarea.
3. Estructura de salida – Cómo debe formatearse la respuesta.

Todo lo demás suele ser candidato a eliminación: archivos completos cuando solo veinte líneas son útiles, historial completo cuando las últimas dos interacciones son suficientes, encabezados y bloques de licencia que acompañan a un fragmento recuperado, o documentos marcados como “cercanos” por el recuperador pero que un humano consideraría fuera de tema.

Orden y colocación

Dado que el inicio y el final de una ventana larga obtienen más atención, ubica la instrucción y los hechos más relevantes al final, junto a la pregunta. Si ensamblas un prompt a partir de varias fuentes, ordena los fragmentos por relevancia para la tarea, no por el orden de recuperación.

Impacto económico

Cada token tiene un coste. En un agente multitransacción, el historial crece y se paga por cada token repetido en cada llamada. Por eso, eliminar contexto innecesario reduce tanto el gasto como la pérdida de calidad.

Estrategia práctica

1. Recupera abundante – No te preocupes por la cantidad inicial.
2. Re‑clasifica y recorta – Selecciona solo los fragmentos que realmente aportan.
3. Resume el historial – En lugar de reenviar todo, sintetiza la conversación.
4. Elimina la basura – Quita encabezados, licencias y cualquier contenido no crítico.
5. Revisa antes de escalar – Si la respuesta es incorrecta, revisa primero el contexto antes de cambiar a un modelo más grande.

Si has eliminado algo y la salida mejora, comparte el caso: esas reducciones son las menos documentadas, pero pueden marcar la diferencia.

Por qué importa

En un entorno donde cada token cuenta, la ingeniería de contexto basada en la eliminación de ruido se convierte en una práctica de alto valor. No solo mejora la precisión de las respuestas, sino que también controla los costes de operación. Los equipos de IA que ya están implementando pipelines de recuperación y ranking pueden integrar esta filosofía sin cambiar la arquitectura subyacente, simplemente afinando la fase de preparación del prompt.