Degradación del contexto en agentes de IA: por qué las tareas largas pierden precisión y cómo evitarla
Una guía sobre lo que se acumula en el contexto de un agente de IA, por qué perjudica la precisión y cómo configurar tareas que sigan siendo fiables.

Qué significa la degradación del contexto para los agentes de IA
La degradación del contexto en los agentes de IA es la pérdida gradual de precisión que se produce a medida que el contexto de un agente se llena durante una tarea larga.
El contexto de un agente es la información que el modelo tiene disponible para su siguiente paso. Puede incluir instrucciones, mensajes anteriores, resultados de búsqueda y texto de sitios web o archivos. A medida que el agente trabaja, puede ir añadiendo más.
Por ejemplo, supongamos que la tarea de un agente consiste en encontrar proveedores que entreguen en un plazo de dos semanas. Al principio, su contexto solo contiene esa petición. A mitad de la tarea, el contexto también incluirá el texto de decenas de sitios web de proveedores, varias páginas de resultados de búsqueda y notas sobre qué proveedores ha revisado ya el agente.
Hay un límite en la cantidad de contexto que puede retener un modelo (lo que se denomina ventana de contexto). La ventana se mide en tokens, que son pequeños fragmentos de texto, normalmente una palabra o parte de una palabra. La degradación del contexto aumenta a medida que crece el contexto, por eso es más probable que se produzca en tareas largas con muchos pasos.
A medida que la degradación del contexto empeora, el agente se vuelve menos preciso. Puede seguir sus instrucciones originales con menos rigor, pasar por alto detalles o confundir información de apariencia similar con la que necesita.
Por ejemplo, el agente podría empezar a incluir proveedores que tardan seis semanas, aunque se le pidió que buscara entregas en dos semanas. La instrucción sigue en su contexto, pero ya no guía las decisiones del agente.
La degradación del contexto no es lo mismo que quedarse sin espacio en la ventana de contexto. Cuando el contexto de una tarea supera la ventana, parte del material se corta o la tarea falla. La degradación del contexto empieza mucho antes de ese punto, mientras todo sigue cabiendo.
Tampoco es lo mismo que el envenenamiento del contexto (cuando entra información engañosa o dañina en el contexto del agente). Un agente con información precisa y completa puede sufrir igualmente degradación del contexto.
Por qué se produce la degradación del contexto
La degradación del contexto se produce porque la atención de un modelo es limitada, incluso cuando su ventana de contexto tiene espacio de sobra. En los modelos de IA, la atención es el término técnico que describe cómo decide un modelo en qué partes de su entrada apoyarse al escribir cada palabra de una respuesta. Todas las partes del contexto compiten por esa atención. Cuanto más texto hay, menos atención recibe cada parte.
Por ejemplo, Chroma publicó un estudio sobre cómo afecta la longitud de la entrada a los modelos de IA. Evaluó 18 modelos de Anthropic, OpenAI, Google y Alibaba. En una de las pruebas, los investigadores ocultaron una frase sobre consejos de escritura dentro de una larga colección de ensayos. Después, preguntaron al modelo cuál era el consejo.
Repitieron la prueba muchas veces, añadiendo más texto de los ensayos cada vez. La frase y la pregunta nunca cambiaron. Solo cambió la cantidad de texto que las rodeaba.
Cuanto más texto tenían que leer los modelos, peores eran sus resultados. Esta conclusión se mantuvo en todas las pruebas del informe. Los investigadores prevén que la caída de precisión sería aún mayor en trabajos reales que requieren muchos pasos, como la mayoría de las tareas de los agentes.
Cómo puede afectar la degradación del contexto a los agentes de IA
La degradación del contexto suele manifestarse de una de estas cuatro formas:
Perder de vista las instrucciones originales
La prueba más sencilla de Chroma pedía a los modelos que copiaran exactamente una larga cadena de palabras repetidas, con una palabra diferente insertada en algún punto. Era una tarea trivial con una instrucción explícita. Aun así, el rendimiento disminuyó en todos los modelos a medida que el texto se alargaba. Algunos modelos empezaron a generar palabras que ni siquiera estaban en la entrada.
En una tarea de un agente, el usuario suele fijar restricciones concretas al principio, como un presupuesto o un formato obligatorio. El agente podría aplicarlas de forma menos coherente a medida que crece el contexto. La causa es la longitud total del contexto, no el lugar donde se encuentra la instrucción.
Detalles que se pasan por alto a mitad de la tarea
Los modelos de IA utilizan la información de forma más fiable cuando se encuentra justo al principio o justo al final de su entrada, según un estudio de Stanford de 2023. En una de las pruebas, los investigadores dieron a los modelos un conjunto de 20 documentos y formularon una pregunta que solo respondía uno de ellos. Cuando ese documento aparecía el primero o el último, los modelos solían encontrar la respuesta. Cuando estaba en mitad del conjunto, la pasaban por alto con mucha más frecuencia. Los investigadores llaman a esto efecto de posición.
El mismo patrón se aplica a los agentes. La información encontrada al principio de una tarea puede quedar en mitad de una conversación larga, donde a algunos modelos les cuesta más utilizarla. En el ejemplo de los proveedores, la lista final podría omitir un buen proveedor que el agente revisó a mitad de la tarea.
Confundir información similar
A medida que crece el contexto, a los agentes les puede costar más reconocer qué información se ajusta a sus instrucciones. Por ejemplo, supongamos que el usuario pidió al agente que buscara proveedores que envíen «en un plazo de dos semanas». El sitio web de un proveedor dice «llega en un plazo de 14 días naturales desde el pedido». En una tarea corta, es probable que el agente se diera cuenta de que ambas expresiones significan lo mismo. Cuando esa frase queda enterrada entre decenas de páginas de otros proveedores, es más probable que se le escape la coincidencia.
También puede ocurrir que el agente empiece a incluir resultados que no son relevantes. Supongamos que el agente busca proveedores de sillas de oficina. El sitio web de un proveedor promete entregas en dos semanas, pero solo para escritorios. Sus sillas tardan seis semanas. El sitio web usa las mismas palabras que la instrucción, así que el agente podría añadir ese proveedor a su lista de todos modos. Los investigadores llaman distractor a este tipo de información. Parece relevante, pero no lo es, así que compite con la información que importa.
El estudio de Chroma concluyó que ambos problemas empeoraban a medida que aumentaba la cantidad de texto circundante.
Errores difíciles de detectar
La degradación del contexto no genera ningún mensaje de error. El agente sigue trabajando y entrega un resultado que parece terminado. Por eso sus errores pasan desapercibidos con facilidad.
En las pruebas de Chroma, estos errores adoptaron dos formas. A veces, un modelo daba con total seguridad una respuesta incorrecta. En el ejemplo de la búsqueda de proveedores, el agente podría entregar una lista de proveedores limpia y bien formateada que incluya un proveedor cuyas condiciones de entrega interpretó mal.
Otras veces, un modelo afirmaba no encontrar información que sí estaba ahí. Por ejemplo, el agente podría entregar un informe que dijera que ningún proveedor cumple el límite de dos semanas cuando varios sí lo cumplen.
Cómo configurar las tareas de los agentes para reducir la degradación del contexto
Configurar bien las tareas minimiza el impacto de la degradación del contexto y mantiene al agente lo más preciso posible durante toda la tarea. Las siguientes prácticas recomendadas pueden ayudarte.
Plantea la tarea como un encargo
Un encargo claro mantiene el contexto más reducido. El agente sabe cuándo ha terminado, así que deja de recopilar material en cuanto tiene suficiente. Los requisitos específicos también le dan algo concreto con lo que contrastar cada página. Así, al agente le resulta más fácil detectar la información correcta.
Antes de enviar una tarea, comprueba que incluya tres cosas:
- La tarea: qué debe hacer y generar el agente; por ejemplo, «encuentra proveedores y devuelve una lista preseleccionada».
- Los requisitos: los datos que el agente no puede adivinar, como el presupuesto, la fecha límite, la dirección de entrega y a quién va dirigido el resultado.
- El resultado: el formato, la extensión y la estructura; por ejemplo, «una tabla con el nombre, el precio por silla y el plazo de entrega».
En conjunto, la consulta de la tarea de proveedores podría ser así:
«Encuentra 10 proveedores que puedan entregar 40 sillas de oficina en nuestra oficina de Chicago en un plazo de dos semanas, por menos de 250 US$ por silla. Devuelve una tabla con el nombre del proveedor, el precio por silla, el plazo de entrega y un enlace a la página del producto. La lista es para la persona responsable de nuestra oficina, que hará el pedido».
Mantén cada tarea centrada
Una tarea con un único objetivo claro mantiene el contexto reducido. Además, las tareas largas cuestan más. Cada paso procesa todo lo recopilado hasta ese momento, así que un contexto sobrecargado consume más créditos en cada paso.
Si un proyecto tiene varias partes, divídelo:
- Enumera los entregables por separado; por ejemplo, una búsqueda de proveedores, una comparación de precios y un correo electrónico al proveedor elegido.
- Ejecuta cada entregable como una tarea independiente.
- Pasa de una tarea a la siguiente solo el resultado final. Por ejemplo, sube la tabla de proveedores como archivo para iniciar la tarea de comparación, en lugar de continuar en el hilo que la generó.
Así, la tarea de comparación empieza con una sola tabla en lugar de con todas las páginas.
Indica al agente las fuentes adecuadas
Cada página que lee el agente se suma a su contexto, incluidos los menús, los anuncios y el texto repetitivo que rodean la parte útil. Proporcionar las fuentes directamente al agente reduce ese ruido.
Sube los archivos de los que depende la tarea, como la lista de proveedores aprobados, adjuntándolos a la consulta. Si el agente tiene que buscar en la web, indica los sitios web en los que merece la pena buscar, como dos directorios de proveedores de confianza.
Conecta las herramientas donde se encuentra la información. Por ejemplo, en Perplexity Computer, abre Conectores en la barra lateral y activa las aplicaciones que necesita la tarea, como Google Drive o Slack. Después, menciónalas en la consulta: «Usa las especificaciones de las sillas de nuestro Google Drive». Conecta solo las aplicaciones relevantes, ya que cada conector ocupa parte del contexto del agente.
Si la información está en una aplicación que no aparece en la lista de Conectores, es posible que aun así se pueda conectar. Muchas aplicaciones ofrecen un conector MCP (Model Context Protocol), una forma estándar de que las herramientas de IA se integren con otro software. Computer puede usarlos junto con sus conectores integrados. En una cuenta de empresa, puede que un administrador tenga que activarlos primero.
Pide una comprobación final con respecto a las instrucciones
Termina la consulta con un paso de revisión que mencione las restricciones más importantes:
«Antes de terminar, comprueba que cada proveedor cumpla estos requisitos: entrega en un plazo de dos semanas y menos de 250 US$ por silla. Marca los que no los cumplan en lugar de omitirlos».
Las restricciones siguen estando al principio del contexto. El paso de revisión le da al agente un motivo para comparar su resultado final con las restricciones, en lugar de depender de que las instrucciones mantengan su influencia en cada paso.
Además, pedirle que marque los problemas, en lugar de simplemente descartar esos resultados, facilita detectar errores (como rechazar a un proveedor que promete la entrega en un plazo de 14 días naturales porque no usa las palabras «dos semanas»).
Revisa el trabajo en puntos de control
En las tareas más largas, incluye un punto de control en la consulta:
«Empieza por encontrar 20 proveedores candidatos y luego detente. Confirmaré la lista antes de que recopiles los precios».
Comprueba la lista preseleccionada con respecto a las instrucciones originales. Corrige lo que no esté bien en un mensaje de seguimiento y luego deja que el agente continúe. Los errores detectados en este punto no se arrastrarán a todos los pasos siguientes.
Empieza una tarea nueva cuando una se desvíe
Si el agente repite el mismo error después de corregirlo, empieza una tarea nueva. Cada corrección añade más texto a un contexto que ya es largo. Crea una tarea nueva en su lugar. Vuelve a exponer las instrucciones, sube cualquier resultado útil del primer intento y empieza de nuevo.
Algunos agentes hacen una versión de esto automáticamente, un proceso llamado compactación. A medida que una tarea se alarga, el agente sustituye el material más antiguo, como el texto completo de las páginas que leyó al principio, por un breve resumen de lo que encontró. Portable Computer de Perplexity compacta su contexto de esta forma, para que el modelo se mantenga dentro de la cantidad que puede gestionar bien.
También es importante empezar una tarea nueva si cambia el objetivo. Un hilo que empezó como una búsqueda de proveedores no debería convertirse además en una revisión de contratos.
Convierte las instrucciones repetidas en una Skill
Algunas instrucciones se repiten en todas las tareas de un mismo tipo, como un formato de tabla preferido, una lista de proveedores que evitar o un paso de revisión estándar. En Computer, se pueden guardar como una Skill, un conjunto reutilizable de instrucciones que el agente sigue cada vez. Una Skill incorpora las demás prácticas recomendadas a cada tarea que la usa.
Para configurar una:
- Elige una tarea que se repita a menudo, como la búsqueda de proveedores.
- Anota las instrucciones que se dan siempre: el formato, las comprobaciones y las fuentes que usar o evitar.
- Guárdalas como una Skill. Las instrucciones que ya estén escritas en Markdown se pueden importar directamente.
- Menciona la Skill en futuras consultas: «Usa la Skill de búsqueda de proveedores para encontrar proveedores de sillas para la oficina de Denver».
Cómo aborda Perplexity el contexto en el trabajo de los agentes
Perplexity Computer gestiona las tareas largas de forma que el contexto de cada modelo se mantenga reducido y relevante. Tres aspectos de su diseño limitan cuánto tiene que leer un modelo de una vez.
Repartir el trabajo entre subagentes
Computer divide una petición en tareas y subtareas, y luego crea subagentes para llevarlas a cabo. Cada subagente se ocupa de una parte del trabajo con su propio contexto. En la tarea de proveedores, un subagente podría investigar los precios mientras otro revisa las condiciones de entrega. Ninguno tiene que leer todo lo que leyó el otro.
Guardar el trabajo en archivos
Cada tarea de Computer tiene su propio espacio de trabajo, con sus propios archivos, navegador web y herramientas. El agente puede guardar su trabajo en un archivo, como una tabla que va actualizando con los proveedores que ha revisado. Después, solo vuelve a abrir ese archivo cuando lo necesita.
Seleccionar los pasajes relevantes de los resultados de búsqueda
Las páginas web están llenas de material que el modelo no necesita, como menús, anuncios, metadatos y texto sobre otros temas. La compresión de contexto adaptada a la consulta elimina todo eso. Antes de que una página llegue al modelo, Perplexity conserva solo las frases relacionadas con la consulta.
Explora consejos, guías y tareas de ejemplo para Perplexity Computer para poner en práctica estos pasos.
Preguntas frecuentes
¿La degradación del contexto es lo mismo que una alucinación?
No, pero están relacionadas. Una alucinación es cualquier respuesta que afirma algo falso o sin fundamento. La degradación del contexto es una de las condiciones que hacen más probables las alucinaciones, junto con otros errores como ignorar instrucciones o pasar por alto detalles.
¿Puede una consulta mejor solucionar la degradación del contexto?
Una consulta clara reduce la degradación del contexto porque mantiene la tarea centrada. Sin embargo, no puede impedir que el contexto crezca. En una tarea lo bastante larga, el agente acaba recopilando más de lo que puede aprovechar bien; por eso, dividir el trabajo y revisarlo sobre la marcha importa tanto como la propia consulta.
¿La degradación del contexto afecta a los chats normales con IA, no solo a los agentes?
Sí. En un chat, el contexto es toda la conversación hasta el momento, incluidos todos los mensajes y cualquier documento pegado o subido en ella. Un hilo que lleva horas abierto y abarca varios temas puede producir los mismos errores que una tarea larga de un agente. Empezar un hilo nuevo para cada tema nuevo mantiene centrada cada conversación.
¿Cuánto puede alargarse una tarea antes de que aparezca la degradación del contexto?
No hay un punto fijo. Depende del modelo y de la tarea. Los modelos que se ejecutan en el dispositivo con ventanas de contexto de 260.000 tokens, por ejemplo, empiezan a tener dificultades a partir de unos 100.000 tokens, muy por debajo de su límite. Además, el deterioro es gradual, no repentino.