Gestión del contexto

La mayoría de los modelos usan ventanas de contexto estándar de 200K:

• Claude 4.5 Sonnet: equilibrado para tareas complejas
• Claude 4.5 Haiku: rápido y eficiente
• GPT-5: excelente para el razonamiento (Beta)
• GPT-5-Codex: optimizado para programación (Beta)

Capacidad:

• ~200,000 tokens de capacidad total de memoria
• Suficiente para la mayoría de las tareas de desarrollo y proyectos de tamaño medio

Lo que se incluye:

• Todos los mensajes de la conversación
• El contenido de los archivos cargados en el contexto
• Las salidas y respuestas de las herramientas
• Los prompts del sistema y las instrucciones
• Las definiciones del servidor MCP

Rendimiento:

• Se degrada notablemente al acercarse a los límites
• Presta atención a las señales de sobrecarga de contexto (respuestas más lentas, salidas menos precisas)
• Restablece el contexto con más frecuencia para un rendimiento óptimo

Claude Sonnet 4.5 ofrece contexto extendido (1M tokens) cuando se selecciona de forma explícita o cuando la entrada supera los 200K tokens.

Capacidad:

• 1,000,000 tokens de memoria total
• 5 veces más grande que los modelos estándar

Ventajas:

• Ideal para cargar bases de código grandes completas sin dividirlas en fragmentos
• Elimina la mayoría de las preocupaciones sobre gestión de contexto en proyectos grandes
• Trabaja durante más tiempo antes de alcanzar los límites de contexto
• Se necesitan menos restablecimientos de sesión

Cuándo usarlo:

• Bases de código grandes con 1000+ archivos
• Refactorización compleja de varios archivos en proyectos completos
• Sesiones de desarrollo largas que abarcan varias tareas relacionadas
• Cuando quieras minimizar la carga de gestión del contexto

Señales:

• Respuestas menos precisas o incompletas
• Omisión de detalles importantes de momentos anteriores de la conversación
• Dificultad para mantener la coherencia en sesiones largas
• Confusión sobre los cambios recientes o el contexto

Ejemplos concretos:

• Sugiere soluciones que ya rechazaste antes en la sesión
• Ignora las convenciones de programación que estableciste hace 20 mensajes
• Genera código que entra en conflicto con cambios realizados antes en la conversación
• Propone implementaciones que no coinciden con la arquitectura del proyecto que discutiste previamente

Señal principal: las respuestas de Verdent se vuelven menos precisas o incoherentes

Señales:

• Tiempos de respuesta notablemente más lentos
• Retrasos de procesamiento más largos antes de que comiencen las respuestas
• Mayor latencia entre mensajes

Ejemplos concretos:

• Respuestas que normalmente tardan 5-10 segundos ahora tardan 30+ segundos
• Retraso visible antes de que aparezca el indicador de escritura después de enviar un mensaje
• Las respuestas en streaming comienzan mucho más despacio de lo habitual
• La ejecución de herramientas (lecturas de archivos, búsquedas) tarda notablemente más

Señal principal: las respuestas tardan mucho más de lo habitual

Señales:

• Solicita aclaraciones sobre información ya proporcionada
• Olvida patrones o convenciones establecidos anteriormente
• Incapacidad para hacer referencia a archivos o código discutidos previamente
• Preguntas redundantes sobre la estructura del proyecto

Ejemplos concretos:

• Pregunta "¿Qué framework estás usando?" cuando especificaste React hace 30 mensajes
• Solicita rutas de archivos que ya @-mentioned varias veces
• No recuerda la convención de nombres que estableciste al inicio de la sesión
• Vuelve a explicar conceptos o enfoques que ya rechazaste con argumentos

Señal principal: Verdent pregunta sobre cosas que ya se discutieron

Señales:

• Acercarse al último quinto del límite de 200K tokens (~160K+ tokens usados)
• Conversaciones largas con muchas lecturas de archivos y salidas de herramientas
• Varios servidores MCP activados con definiciones de herramientas pesadas
• Archivos grandes cargados repetidamente en el contexto

Ejemplos concretos:

• La sesión ha estado activa durante 2+ horas con 100+ mensajes
• Has cargado 20+ archivos con @-mentions a lo largo de la conversación
• Hay varios archivos grandes (>1000 líneas cada uno) en el contexto
• Tienes 5+ servidores MCP activados con definiciones de herramientas extensas
• La conversación incluye muchos resultados de grep/búsqueda y lecturas de archivos

Señal principal: sesiones muy largas con un uso intensivo de archivos y herramientas

• Tiempos de respuesta notablemente más lentos
• Respuestas menos precisas o incoherentes
• Verdent olvida el contexto o los patrones anteriores
• Acercarse a los límites de la ventana de contexto (presta atención a las señales de degradación)

Acción: inicia una sesión nueva cuando la calidad se degrade

• Cambiar entre funciones o módulos no relacionados
• Completar un pendiente y pasar al siguiente
• Después de tareas que consumen mucha memoria (refactorizaciones grandes, trabajo de arquitectura)
• Pasar de la fase de investigación a la de implementación

Acción: una sesión nueva para cada tarea principal nueva

• Después de confirmar funciones completadas en el control de versiones
• Entre puntos de control lógicos del flujo de trabajo de desarrollo
• Tras los ciclos de prueba-verificación-commit

Acción: commit → prueba → sesión nueva

• Antes de comenzar funciones nuevas importantes
• Cuando el historial de la conversación se vuelve muy largo
• Después de completar cambios en varios archivos
• Entre distintos tipos de trabajo (depuración → desarrollo de funciones)

Acción: inicia una sesión nueva de forma proactiva antes de que el contexto se degrade

Archivos más pequeños y enfocados:

• Muchos archivos pequeños consumen el contexto de forma más eficiente que pocos archivos grandes
• Es más fácil cargar solo los módulos relevantes
• Mejor control granular sobre lo que está en el contexto
• Reduce la necesidad de cargar archivos grandes completos

Estructura de directorios clara:

• Una organización lógica ayuda a Verdent a localizar archivos relacionados
• La organización por función o por módulo mejora la precisión del contexto
• Reduce la necesidad de cargar código no relacionado

Documentation in AGENTS.md:

• La documentación del proyecto reemplaza la necesidad de cargar muchos archivos de ejemplo
• Los patrones de arquitectura se describen una vez y se consultan repetidamente
• Los estándares de programación se documentan de forma centralizada
• Reduce la carga de contexto provocada por lecturas exploratorias de archivos

Ventajas:

• Trabaja en módulos aislados sin cargar toda la base de código
• Los límites claros permiten sesiones enfocadas
• Dividir el trabajo se vuelve natural a lo largo de los límites de los módulos

Problemas:

• Los archivos monolíticos obligan a cargar contextos grandes completos
• Una estructura poco clara requiere cargar muchos archivos para comprender la arquitectura
• Mezclar responsabilidades en los mismos archivos desperdicia contexto en código irrelevante

Impacto:

• Problemas frecuentes con los límites de contexto
• Tokens desperdiciados en código irrelevante
• Dificultad para aislar el trabajo en módulos específicos
• Necesidad más frecuente de restablecer las sesiones

Antipatrones comunes:

• Archivos únicos de 5000+ líneas con múltiples responsabilidades
• Estructura de directorios plana con 100+ archivos en la raíz
• Sin una separación clara entre funciones/módulos
• Falta de documentación centralizada

Enfoques de refactorización:

• Divide los archivos grandes en módulos más pequeños y enfocados
• Organiza por función o dominio (no por tipo de archivo)
• Crea una jerarquía de directorios clara
• Extrae el código compartido a módulos separados

Documentación:

• Crea AGENTS.md con patrones de arquitectura
• Documenta los estándares de programación de forma centralizada
• Mantén archivos README por módulo
• Mantén documentadas las decisiones de diseño

Impacto en el contexto: para los contextos estándar de 200K tokens, los espacios de trabajo organizados marcan la diferencia entre alcanzar los límites con frecuencia o rara vez. Para los contextos de 1M tokens, la organización importa menos, pero aun así mejora la eficiencia.

Presta atención a las señales de rendimiento:

• Supervisa la calidad y la velocidad de las respuestas a lo largo de las sesiones
• Nota cuándo las respuestas se vuelven más lentas o menos precisas
• Lleva un seguimiento manual de la longitud de la conversación y la cantidad de archivos
• Sé proactivo al iniciar sesiones nuevas

Qué supervisar:

• La precisión y la coherencia de las respuestas
• El tiempo hasta la primera respuesta (retraso del indicador de escritura)
• El tiempo total de finalización de la respuesta
• El recuerdo de detalles anteriores de la conversación

Gestión de subagentes:

• Desactiva los subagentes personalizados que no uses cuando no los necesites
• Cada subagente activado agrega definiciones a la carga del sistema
• Mantén activados solo los subagentes que uses activamente
• Vuelve a activarlos según sea necesario para tareas específicas

Umbral de acción: cuando notes 2-3 señales de degradación, es momento de iniciar una sesión nueva.

Enfoque de fragmentación:

• Divide las tareas grandes en partes más pequeñas
• Completa el trabajo relacionado en sesiones enfocadas
• Evita mezclar distintos tipos de tareas en conversaciones largas
• Evita el último quinto de la ventana de contexto para el trabajo que consume mucha memoria

Gestión de sesiones:

• Inicia sesiones nuevas entre tareas principales
• Limpia el contexto después de los commits: prueba → verifica → commit → sesión nueva
• Usa pendientes para la planificación de varios pasos
• Trabaja en los pendientes en sesiones enfocadas separadas

Patrón de buenas prácticas:

1. Planifica la tarea en Plan Mode
2. Ejecuta una implementación enfocada en una sesión nueva
3. Prueba y verifica los cambios
4. Confirma en el control de versiones
5. Inicia una sesión nueva para la siguiente tarea

Aislamiento de tareas: mantén la depuración separada del desarrollo de funciones, y la investigación separada de la implementación.

Inclusión estratégica:

• Usa @-mentions para la inclusión explícita de archivos solo cuando sea necesario
• Aprovecha la documentación AGENTS.md en lugar de cargar muchos archivos
• Trabaja en un módulo a la vez en proyectos grandes
• Divide los archivos grandes en componentes más pequeños y enfocados

Principios de selección de archivos:

• Incluye solo los archivos que necesiten modificarse o consultarse directamente
• Prefiere la documentación antes que la carga de archivos de ejemplo
• Elimina los archivos del contexto cuando ya no se necesiten
• Carga los archivos justo a tiempo, no de forma anticipada

Manejo de archivos grandes:

• Considera dividir los archivos de más de 500 líneas
• Extrae las utilidades y los auxiliares a archivos separados
• Usa límites de módulos claros
• Documenta las relaciones entre archivos en AGENTS.md

Flujo de trabajo de optimización:

Supervisa el rendimiento → identifica la sobrecarga de la sesión → desactiva los subagentes que no uses → inicia sesiones nuevas de forma proactiva → concéntrate en la calidad de la tarea

Práctica diaria:

• Comienza cada función importante con contexto nuevo
• Confirma con frecuencia y restablece entre commits
• Mantén las sesiones enfocadas en objetivos únicos
• Revisa el uso del contexto en los puntos de corte naturales

For Extended Context (1M tokens): Con la ventana de contexto más grande de Claude Sonnet 4.5, la optimización se vuelve menos crítica: concéntrate en la calidad de la tarea en lugar de en una gestión agresiva del contexto. No obstante, las buenas prácticas siguen mejorando la eficiencia y la organización.