Dale a tus agentes de CrewAI un recuerdo humano:

¡Las indicaciones del sistema se están volviendo obsoletas! Aquí hay una lección contraintuitiva de la creación de agentes del mundo real: Escribir indicaciones gigantes del sistema no mejora el rendimiento de un agente; a menudo lo empeora. Por ejemplo, agrega una regla sobre políticas de reembolso. Luego uno sobre el tono. Luego otro sobre cuándo escalar. En poco tiempo, tiene un manual de instrucciones de 2,000 palabras. Pero esto es lo que hemos aprendido: los LLM son extremadamente malos para manejar esto. Investigaciones recientes también confirman lo que muchos de nosotros experimentamos. Hay una "maldición de instrucciones". Cuantas más reglas agregue a un mensaje, peor será el rendimiento del modelo al seguir una sola. Aquí hay un mejor enfoque: pautas contextualmente condicionales. En lugar de un mensaje gigante, divida sus instrucciones en piezas modulares que solo se carguen en el LLM cuando sea relevante. ``` agent.create_guideline( condition="El cliente pregunta por los reembolsos", action="Verifique primero el estado del pedido para ver si es elegible", herramientas=[check_order_status], ) ``` Cada directriz tiene dos partes: - Condición: ¿Cuándo se carga? - Acción: ¿Qué debe hacer el agente? La magia ocurre detrás de escena. Cuando llega una consulta, el sistema evalúa qué directrices son relevantes para el estado actual de la conversación. Solo esas pautas se cargan en el contexto del modelo. Esto mantiene la carga cognitiva del LLM mínima porque en lugar de hacer malabarismos con 50 reglas, se enfoca en solo 3-4 que realmente importan en ese momento. Esto da como resultado un seguimiento de instrucciones dramáticamente mejor. Este enfoque se denomina modelado de alineación. Estructurar la guía contextualmente para que los agentes se mantengan enfocados, consistentes y compatibles. En lugar de esperar un modelo supuestamente más pequeño, lo que importa es tener una arquitectura que respete cómo funcionan fundamentalmente los LLM. Este enfoque se implementa en Parlant, un marco de código abierto de tendencia reciente (13k + estrellas). Puede ver la implementación completa y probarla usted mismo. Pero la idea central se aplica independientemente de las herramientas que utilice: Sea más metódico con la ingeniería de contexto y explique realmente cuál espera que sea el comportamiento en casos especiales que le interesen. Entonces los agentes pueden volverse realmente enfocados y útiles. He compartido el enlace del repositorio en las respuestas.

Ingeniería de contexto vs. ingeniería de avisos: En los primeros días de los LLM, la elaboración de indicaciones inteligentes era la salsa secreta. Pero si está construyendo agentes de IA serios hoy, la ingeniería rápida por sí sola no será suficiente. Necesitas ingeniería de contexto. He aquí por qué: - Prompting se trata de lo que dices - La ingeniería de contexto se trata de lo que ve el modelo Y lo que ve importa más que nunca. Cada ficha en contexto cuesta atención. Cuanto mayor sea el contexto, más probable es que el modelo se distraiga, se olvide o se ralentice. Al igual que los humanos, los LLM pueden perder el enfoque. Es por eso que los buenos agentes no simplemente ponen todo en contexto. Ellos: 1️⃣ Seleccionar lo que es útil 2️⃣ Resume lo viejo 3️⃣ Busca lo que se necesita (justo a tiempo) 4️⃣ Escribir notas para sí mismos 5️⃣ Delegar el trabajo a los subagentes cuando sea necesario Esto no es teoría, es cómo sistemas como Claude Code, agentes del mundo real y herramientas de memoria efectivas ya funcionan hoy. La ingeniería de contexto se está convirtiendo en la habilidad central para cualquiera que construya agentes de varios pasos y horizonte largo. Si te tomas en serio a los agentes, comienza a tratar el contexto como un recurso finito y de alto valor. Y diseñarlo de esa manera. Esta publicación está inspirada en el último blog de Anthropic sobre el mismo tema. Recomiendo encarecidamente leerlo; ¡El enlace se comparte en el próximo tweet!