Context rot
El context rot (deterioro del contexto) es la caída de la precisión y la fiabilidad de un modelo de lenguaje a medida que su entrada se alarga, incluso cuando la entrada aún cabe en la ventana de contexto y la información necesaria está presente.
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Una ventana de contexto grande te dice cuánto texto aceptará un modelo, no lo bien que lo usará. El context rot es la diferencia entre ambas cosas. A medida que los prompts se alargan, los modelos pasan por alto datos, confunden pasajes parecidos y siguen las instrucciones con menos fidelidad.
Las pruebas
El informe de Chroma de julio de 2025 probó 18 modelos, entre ellos GPT-4.1, Claude 4, Gemini 2.5 y Qwen3, y comprobó que el rendimiento caía a medida que crecía la longitud de la entrada en todos los experimentos, a menudo de formas irregulares y sorprendentes. Las pruebas sencillas de aguja en un pajar, en las que un modelo solo tiene que encontrar una frase, ocultan buena parte de esto, porque las tareas reales exigen que el modelo razone sobre lo que encuentra y que ignore distractores parecidos.
Por qué importa en los agentes
Los agentes acumulan salida de herramientas, contenido de archivos y turnos antiguos, así que su contexto crece por sí solo. A partir de cierto punto, más contexto empeora al agente. Esta es una razón principal del context engineering: poner en la ventana solo lo que necesita el paso siguiente.
Cómo reducirlo
Recupera los pocos pasajes relevantes con generación aumentada por recuperación en lugar de pegar documentos enteros. Resume los historiales largos con compactación del contexto. Pasa las tareas secundarias a un subagente para que su salida nunca llegue al hilo principal. Coloca las instrucciones más importantes donde el modelo las vea con claridad, y prueba tu propia tarea con los tamaños de contexto que de verdad usas, ya que el deterioro varía según el modelo y la tarea.
Términos relacionados
- Compactación del contexto
- La compactación del contexto (context compaction) es el paso en el que un agente resume una conversación que se acerca al límite de su ventana de contexto y continúa en una ventana nueva que parte de ese resumen, para que una tarea larga pueda seguir adelante.
- Context engineering
- El context engineering (ingeniería de contexto) es la práctica de elegir y mantener todo lo que entra en la ventana de contexto de un modelo de lenguaje durante una tarea: instrucciones, documentos recuperados, definiciones de herramientas, resultados de herramientas e historial de la conversación.
- Ventana de contexto
- Una ventana de contexto (context window) es la cantidad máxima de texto, contada en tokens, que un modelo de lenguaje puede tener en cuenta a la vez, e incluye el system prompt, la conversación, los documentos, los resultados de herramientas y la respuesta que escribe.
- Generación aumentada por recuperación
- La generación aumentada por recuperación (RAG, retrieval-augmented generation) es un patrón en el que un sistema busca primero en una colección de documentos los pasajes relevantes para una pregunta y luego se los da a un modelo de lenguaje para que su respuesta se base en ellos.
- Memoria del agente
- La memoria del agente es el conjunto de técnicas que permiten a un agente de IA conservar información más allá de una sola ventana de contexto, como datos sobre un usuario o trabajo anterior, guardándola fuera del modelo y volviendo a cargarla cuando hace falta.