Deja que el agente reúna el contexto
Pegas archivos, errores y docs a mano cada vez, tedioso, y la mitad de las veces te equivocas.
La idea que hay dentro
Dale al agente herramientas y un objetivo claro y él mismo recupera su contexto, justo lo que necesita.
Después de esta lección
Puedes explicar por qué dejar que un agente recupere su propio contexto suele ganarle a pegarlo a mano, y cuándo conviene cada uno.
Adónde lleva
Pero cada búsqueda gasta tokens, así que la conciencia del presupuesto empieza a importar.
Dentro de esta lección
Ese es el escenario real de la lección, en pausa. Reclama tu pase para operarlo.
Mira cómo funciona la IA de verdad, de principio a fin.
Esta lección es solo una parada del arco completo. Desbloquéalo todo y consérvalo de por vida.
Lo que obtienes
- El camino principal de 34 lecciones, una ruta que sí se termina, de una palabra a los agentes
- Rutas por objetivo para usar IA en el trabajo y construir funciones con IA
- Labs de jefe que te hacen aplicar un acto entero, no solo reconocerlo
- Repaso espaciado que trae cada idea de vuelta antes de que la olvides
- Memoria del curso: cada término definido, con enlaces a donde aparece por primera vez
- Una tarjeta de capacidades para compartir cuando termines el camino principal
- Acceso de por vida en cualquier dispositivo, con todas las lecciones futuras incluidas
No son videos para mirar. Predices, operas la máquina y luego lo demuestras. Por eso se queda.
99 lecciones y retos interactivos. Sin videos, sin código.
Pase de lanzamiento gratis: acceso de por vida, sin tarjeta
¿Nuevo por aquí? Las primeras lecciones son gratis para probar. Empieza con la lección 0.1
Qué muestra esta lección
Dale al agente herramientas y un objetivo claro y él mismo recupera su contexto, justo lo que necesita.
La pregunta con la que abre
Pegas archivos, errores y docs a mano cada vez, tedioso, y la mitad de las veces te equivocas.
El recorrido, en palabras de la propia lección
- Una tarea, dos seleccionadores: tú pegas archivos por adelantado, el agent busca justo a tiempo. Toca un archivo para pegarlo.
- Haz crecer el drive, luego dale al agent un objetivo vago y mira lo que arrastra.
- Quién selecciona el contexto es la palanca: un objetivo claro más herramientas le gana a adivinar por adelantado.
- Toca un archivo a la izquierda para pegarlo. Los azules son relevantes; los rojos son relleno que el modelo solo lee de más.
- Ahí está: el pegado a mano agarra archivos enteros por si acaso, así que la barra se hincha de rojo con relleno. El agent buscó, abrió solo las coincidencias, y se mantuvo en un verde ordenado.
- Todo relevante por ahora. Pero un pegado real agarra archivos enteros por si acaso, toca uno rojo y mira cómo la barra se hincha de relleno.
- Con un objetivo claro, el agent toca 2 archivos sin importar cuánto crezca el drive.
- Mismas herramientas, botín descuidado: "facturas" coincidió con medio drive, así que el agent arrastró archivos del trimestre pasado y nunca corrió la verificación. Las herramientas no rescatan un objetivo vago: acotar el objetivo es la palanca.
- Cada archivo irrelevante es relleno que el modelo lee de más, el rot de la lección 6.3. El agent se lo saltó trayendo solo las coincidencias.
- La verdadera palanca es quién selecciona el contexto. Dale al agent un objetivo claro más herramientas y busca justo a tiempo, pequeño y enfocado. Dale un objetivo vago y agarra basura, igual que un volcado manual.
- Los verbos son buscar, abrir y verificar: busca en el drive las propias palabras del objetivo, abre solo las coincidencias, corre la verificación para ver el número real. La ventana se mantiene pequeña y enfocada, esquivando el context rot de la lección 6.3.
- En un coding agent los mismos verbos son grep (encontrar las coincidencias en el código), read (abrir solo los archivos que coinciden) y correr los tests. El mismo bucle, otro escritorio.
- Si el contexto es mínimo y ya sabes exactamente qué dos líneas importan, pegarlas es más rápido que un viaje de ida y vuelta a una herramienta. Aliméntalo a mano cuando el contexto es pequeño y conocido; dale al agent el objetivo cuando no lo es.
- Dos asistentes investigan la misma duda de facturación en un drive compartido enorme. El que recibe el drive entero responde peor que el que recibe un objetivo claro y una herramienta de búsqueda. ¿Por qué?
- Se trata de quién selecciona el contexto. Volcar el drive entero inunda la ventana con relleno que el modelo lee de más: context rot. Un objetivo claro más herramientas deja que el agent busque justo a tiempo y abra solo las coincidencias, al costo de unas pocas llamadas a herramientas y un par de miles de tokens, casi siempre un buen trato. Mantén el objetivo específico: dale uno vago y el agent también agarra basura.
La idea clave
Deja de darle el contexto en la boca: un objetivo más herramientas le gana a un pegado manual gigante, y esquiva el context rot.
Qué puedes hacer después de esta lección
Puedes explicar por qué dejar que un agente recupere su propio contexto suele ganarle a pegarlo a mano, y cuándo conviene cada uno.
Ponte a prueba: En vez de pegar archivos a mano, un agente capaz…
- Busca su propio contexto con herramientas (buscar, leer, ejecutar)(correcta)
- Memoriza todo tu repo para siempre
- No necesita contexto en absoluto
- Se entrena con tus archivos
Un agente capaz reúne lo que necesita con herramientas (buscar, leer, ejecutar), así no le das los archivos a mano. Él mismo trae el contexto mínimo y relevante.
Adónde lleva: Pero cada búsqueda gasta tokens, así que la conciencia del presupuesto empieza a importar.
Este es el resumen escrito. La lección en sí es interactiva: arriba predices, arrastras y operas el mecanismo, y la revelación te responde.