╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok ╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok

Concepto

¿Qué es
la ingeniería de contexto?

Es el cambio de la ingeniería de prompts a las operaciones de contexto, la disciplina de diseñar, comprimir y gobernar todo el entorno de información en el que trabaja tu agente de IA. LeanCTX es esa disciplina, automatizada: la capa de ingeniería de contexto para agentes de IA.

El Problema

Los prompts por sí solos no son suficientes

La ingeniería de prompts optimizó la entrada. La ingeniería de contexto optimiza el entorno.

Cuando los agentes de IA se limitaban a interacciones de un solo turno, la ingeniería de prompts era suficiente. Creabas la instrucción correcta, el modelo devolvía una respuesta útil y el flujo de trabajo terminaba.

Los agentes modernos de codificación con IA operan de manera diferente. Ejecutan flujos de trabajo de múltiples pasos a través de docenas de archivos, mantienen el estado entre sesiones y toman decisiones que se acumulan con el tiempo. El prompt ya no es el cuello de botella, lo es el contexto.

Un agente de codificación con un prompt perfecto pero un contexto deficiente alucinará rutas de archivo, perderá la pista de decisiones previas y repetirá trabajo que ya completó. El modo de fallo no son las instrucciones incorrectas, sino una imagen incompleta de la base de código.

El Framework

Tres cambios desde el prompt hacia la ingeniería de contexto

La ingeniería de contexto representa un cambio fundamental en cómo pensamos sobre las entradas de los agentes de IA.

Prompts estáticos → Pipelines de contexto dinámicos

En lugar de un prompt de sistema fijo, la ingeniería de contexto construye un pipeline que ensambla el contexto correcto para cada tarea, leyendo solo lo relevante, con el nivel de compresión adecuado y los metadatos correctos.

Curación manual → Compresión automatizada

En lugar de seleccionar manualmente qué archivos incluir, la ingeniería de contexto lee la estructura de cada archivo, conserva las partes que contienen señal real y comprime el resto, automáticamente.

De un solo disparo → Memoria persistente entre sesiones

La ingeniería de contexto añade memoria de sesión, un grafo de conocimiento y traspasos limpios, para que los agentes desarrollen comprensión con el tiempo en lugar de empezar desde cero en cada conversación.

La Disciplina

Qué es la ingeniería de contexto incluye

La ingeniería de contexto abarca cuatro dominios interconectados, cada uno abordando un aspecto diferente del entorno de información del agente.

Compresión

Ajustar más señal en menos tokens

Múltiples modos de lectura (completo, map, signatures, entropy, agresivo), análisis AST tree-sitter en más de 26 lenguajes y segmentación semántica reducen el contenido del archivo entre un 60% y un 99% mientras conservan la información que los agentes necesitan para tomar decisiones.

Memory

Persistir la comprensión entre sesiones

Instantáneas de sesión, grafos de conocimiento, libros de registro de traspaso y memoria prospectiva permiten a los agentes recordar decisiones previas, evitar trabajo repetido y transferir contexto entre miembros del equipo o instancias de agente.

Governance

Controlar el acceso de los agentes

Políticas de acceso basadas en roles, presupuestos de tokens, aplicación de SLO y sandboxing de rutas aseguran que los agentes operen dentro de límites definidos, leyendo solo lo que deben y gastando solo lo asignado.

Verificación

Demostrar que la compresión no perdió información

La validación de salidas, artefactos de prueba, comprobaciones de preservación de rutas e identificadores, y puntuación de pérdida de información proporcionan una confianza medible de que el contexto comprimido retiene el contenido semántico que el agente requiere.

Implementación

Cómo implementa LeanCTX ingeniería de contexto

LeanCTX es un entorno de ejecución (runtime) de ingeniería de contexto de código abierto que lleva estos principios a producción para agentes de codificación con IA.

81 herramientas MCP

Una superficie de herramientas completa para leer, buscar, comprimir y gestionar contexto, todo expuesto a través del Model Context Protocol.

10 modos de lectura

Desde lecturas en caché completas hasta compresión filtrada por entropía, cada modo está optimizado para una tarea específica: editar, explorar, revisar o referenciar.

Más de 95 patrones de shell

Compresión basada en patrones para git, cargo, npm, docker y otras salidas CLI, reduciendo resultados de comandos verbosos a resúmenes estructurados y eficientes en tokens.

Cero llamadas de red

Se ejecuta completamente local. Sin telemetría, sin dependencias en la nube, sin datos que salgan de su máquina. Código abierto bajo Apache-2.0.

Explorar la arquitectura completa

FAQ

Context engineering, respondido.

¿Qué es context engineering?

Context engineering es la disciplina de gestionar qué información ve, recuerda y utiliza un agente de IA. Reemplaza el prompt engineering ad-hoc con un entorno de ejecución sistemático que comprime, almacena en caché, verifica y gobierna el contexto de la IA.

¿Por qué es importante context engineering para la codificación con IA?

Los agentes de codificación con IA desperdician miles de tokens volviendo a leer archivos, analizando salidas ruidosas de shell y perdiendo contexto entre sesiones. Context engineering reduce este desperdicio hasta en un 99%, haciendo que los agentes sean más rápidos, baratos y fiables.

¿En qué se diferencia context engineering del prompt engineering?

La ingeniería de prompts se centra en la creación de prompts individuales. La ingeniería de contexto gestiona todo el ciclo de vida de la información: lo que lee el agente, cómo se comprime, qué se almacena en caché, qué se recuerda entre sesiones y qué se verifica antes de entregarse.

Empezar

Empieza a hacer ingeniería tu contexto

LeanCTX es gratuito, de código abierto y se instala en menos de un minuto. Descubre lo que la context engineering puede hacer por tu flujo de trabajo con IA.

Primeros pasos Arquitectura

¿Qué esla ingeniería de contexto?