Full video

0:00

Hola mundo y bienvenidos a este video.

0:02

Hoy vamos a hablar del context

0:04

engineering, la nueva tecnología de la

0:06

cual todos están hablando. En este video

0:07

vamos a ver de qué trata el context

0:09

engineering. Vamos a ver también si es

0:11

que tú deberías aprenderlo. Y al

0:12

finalizar el video vamos a explicar cómo

0:14

tú podrías diseñar tu propio flujo para

0:16

que este utilice Context Engineering.

0:20

[Música]

0:23

¿Qué es Context Engineering?

0:26

Context Engineering es la práctica de

0:28

diseñar, organizar y proveer toda la

0:31

información relevante para que un

0:34

sistema de inteligencia artificial

0:36

generativa, en este caso un LLM, pueda

0:39

generar respuestas de manera óptima.

0:42

Esto en contraste con el prompt

0:43

engineering no se trata solo de formular

0:46

una buena pregunta, sino que hay que

0:48

construir un entorno, cosa que el modelo

0:51

entienda claramente quién es, el rol que

0:54

debe cumplir, las reglas que tiene que

0:56

seguir y los datos que tiene que

0:58

considerar. Y una vez que él tiene

1:00

absolutamente todo esto, el LLM te va a

1:03

poder generar una respuesta más adecuada

1:06

para tu caso en específico. Esto es como

1:08

preparar el escenario completo antes de

1:11

que el modelo interactúe contigo, donde

1:13

le entregas el guion, los antecedentes y

1:15

también las instrucciones que este tiene

1:17

que realizar. En otras palabras, el

1:19

Context Engineering no solamente le dice

1:21

qué es lo que tiene que hacer al ll,

1:24

sino que también le dice el cómo lo

1:26

tiene que hacer y también por qué tiene

1:28

que hacerlo. De esta manera vamos a ir

1:30

reduciendo las respuestas genéricas que

1:32

te puede entregar un LLM. Y esto, por

1:34

supuesto que empieza a aumentar la

1:36

precisión del modelo y esto puede

1:38

incluir instrucciones fijas, como por

1:40

ejemplo, actúa como un profesor de

1:42

matemáticas, pero también podría incluir

1:45

información dinámica, como por ejemplo

1:47

un historial de conversación. O también

1:49

este podría incluir una base de datos.

1:52

Cuanto mejor sea el contexto, más útiles

1:55

y acertadas van a ser las respuestas que

1:58

te va a entregar a ti el modelo.

2:00

Entonces, por ejemplo, si nosotros no

2:02

aplicáramos context engineering, un

2:04

prompt se vería más o menos así. Hazme

2:06

un itinerario para viajar a Japón. Y

2:09

aquí este nos está entregando un

2:10

itinerario de 15 días para viajar a

2:12

Japón, pero él no sabe cuánto tiempo

2:14

tenemos para poder estar en Japón y

2:16

también cuánto capital nosotros

2:17

disponemos para poder gastar allá.

2:19

Entonces, aplicando un poco más de

2:21

context engineering, nosotros podríamos

2:22

cambiar el prompt a algo más o menos

2:24

así. Eres un asesor de viajes

2:26

especializado en Japón. Tengo 7 días

2:29

disponibles y un presupuesto de $1,500.

2:31

Me interesa la cultura tradicional y

2:33

quiero evitar lugares turísticos muy

2:35

concurridos. Hazme un itinerario

2:36

optimizado con actividades diarias,

2:38

costos aproximados y recomendaciones de

2:41

transporte. Aquí podemos ver cómo nos

2:43

está entregando un itinerario con su

2:44

duración y también el presupuesto

2:46

estimado total. Entonces, como

2:47

resultado, ¿qué es lo que nosotros

2:49

estamos obteniendo? Podemos ver que la

2:51

segunda solicitud se acerca bastante más

2:54

a lo que nosotros podríamos estar

2:55

necesitando. Y esto es porque nosotros

2:57

le estamos entregando un contexto al

2:59

modelo para que entienda de mejor manera

3:01

nuestra solicitud. Este ejemplo que

3:03

nosotros estamos viendo ahora, por

3:04

supuesto que es sumamente básico y al

3:06

finalizar este video vamos a ver un

3:08

ejemplo un poco más elaborado. Pero

3:10

antes de continuar recuerda que tenemos

3:12

promoción en la Academia Hola Mundo.

3:13

Tenemos descuento para el plan mensual y

3:15

también para el plan anual.

3:17

Te dejo los links en la descripción de

3:19

este video. Ahora sí, continuamos. ¿En

3:21

qué se diferencia del prompt

3:22

engineering?

3:24

El prompt engineering se centra

3:26

principalmente en cómo nosotros

3:28

formulamos una pregunta o una

3:30

instrucción para el modelo para que así

3:32

nosotros podamos obtener una buena

3:33

respuesta. Es como entre comillas

3:35

aprender a hablar el idioma de la

3:36

inteligencia artificial, darle

3:37

instrucciones claras y bien

3:39

estructuradas para que este entienda de

3:41

mejor manera que le estamos pidiendo.

3:43

Por ejemplo, nosotros podríamos ajustar

3:45

la redacción, usar pasos numerados o

3:47

también pedir un formato en específico.

3:49

Y este formato podría ser, por ejemplo,

3:51

un PDF, podría ser también un JSON,

3:54

podría ser también un archivo de texto

3:55

plano y finalmente las opciones que

3:57

nosotros tenemos son prácticamente

3:58

ilimitadas. En cambio, el context

4:00

engineering va un paso más allá. No solo

4:03

importa cómo preguntas, sino también qué

4:06

información extra le das al modelo. Esto

4:09

incluye absolutamente todo el entorno

4:12

que nosotros hemos estado utilizando

4:14

para poder comunicarnos con el LLM.

4:16

Entonces, nosotros podríamos utilizar

4:18

datos previos, las reglas del negocio,

4:20

el rol que debe asumir, el historial de

4:22

interacción y cualquier otro elemento

4:24

que le ayude a ponerse en situación,

4:26

entre comillas. Es como si tú, en lugar

4:28

de hacerle una pregunta aislada, lo

4:30

sentaras en la mesa y le pasaras también

4:32

todos los documentos que tú tienes que

4:34

leer para poder entender el problema.

4:35

Entonces, el prompt engineering se trata

4:37

de los patrones que estás utilizando,

4:39

las herramientas que también estás

4:40

utilizando. Por ejemplo, tienes los

4:41

delimitadores Zero, One y Fe Shot, Chain

4:45

of Thoughts, Patrón React, entre otros

4:47

patrones que existen. En cambio, el

4:48

Context Engineering abarca mucho más. De

4:51

hecho, Prompt Engineering es un

4:53

subconjunto de context engineering.

4:56

Dentro de context engineering, además

4:58

del prompt engineering, nosotros también

5:00

tenemos el estado y el historial de la

5:01

aplicación. El estado vendría siendo el

5:03

valor que tienen las variables

5:04

actualmente en tu aplicación y el

5:06

historial, lo que has conversado en el

5:08

pasado. También tenemos que considerar

5:10

dentro de todo esto la memoria que va a

5:13

tener el LLM. Y en específico acá en la

5:16

memoria me estoy refiriendo a la

5:18

limitante de tokens que puede tener el

5:20

LLM. Entonces, si es que un token, como

5:22

por ejemplo el modelo de GPT4 que tiene

5:24

Chat GPT, este aguanta hasta 128000

5:27

tokens al momento de grabar este video.

5:29

Entonces, si nosotros le entregamos un

5:31

contexto que supera esta cantidad de

5:33

tokens, entonces el modelo derechamente

5:36

no nos va a poder generar una respuesta

5:38

satisfactoria, por lo que vamos a tener

5:39

que tener cuidado con los datos que

5:41

nosotros le vamos a entregar. Entonces

5:44

es de suma importancia que nosotros no

5:45

le entreguemos contexto que no sea

5:48

relevante para nuestro caso. Además de

5:50

esto, nosotros también tenemos los

5:52

sistemas RAG, que resumiendo, RA es

5:54

cuando nosotros vamos a buscar la

5:56

información a alguna base de datos o

5:58

algún documento y este también se lo

5:59

proporcionamos al ll. Es un poquito más

6:02

que eso. Pero antes de pasar a

6:03

explicarte el RAC, te voy a aprovechar

6:05

de contar de otra cosa que nosotros

6:07

también tenemos acá dentro del context

6:09

engineering y es la salida estructurada.

6:11

y yo lo voy a colocar acá como output. Y

6:13

en este caso es cuando nos referimos a

6:15

los PDF, a los txt, a un JSON, a un HTML

6:18

y así sucesivamente. Ahora sí podemos

6:21

aprovechar de explicar lo que son los

6:23

RA. Así que vamos a eliminar esto y

6:25

vamos a comenzar con RAG, que rag viene

6:28

de retrieval augmented generation. En

6:30

otras palabras, vamos a buscar la

6:32

información, la aumentamos o la

6:34

resumimos y finalmente generamos algo

6:37

que sea de uso, ya sea para el LLM o

6:39

también para nosotros. Entonces, vamos a

6:41

hacer un ejemplo en el caso de un

6:44

bibliotecario. Supongamos que este eres

6:45

tú, el bibliotecario, y tú lo que

6:47

quieres hacer es ir a la biblioteca para

6:49

poder encontrar un libro. Entonces, lo

6:51

que tienes que hacer es pasar por una

6:52

base de datos o de repente podría ser

6:55

por un directorio que contiene muchos

6:57

archivos PDF y buscas el que a ti te

6:59

interesa. Esto lo que va a hacer es

7:00

devolver los textos para finalmente

7:03

entregárselos a un LLM. Este lo que hará

7:05

será resumirlos para luego finalmente

7:08

generarte una respuesta aumentada que te

7:10

va a servir a ti como usuario. Recuerda

7:12

que esto es RAG y es una estrategia que

7:15

se utiliza dentro del Context

7:16

Engineering para poder entregarle más

7:19

contexto al ll así te pueda generar

7:22

respuestas más acertadas. ¿Quiénes se

7:24

benefician del Context Engineering?

7:28

El Context Engineering beneficia una

7:29

amplia variedad de perfiles. Tenemos,

7:31

por ejemplo, a desarrolladores que crean

7:33

aplicaciones utilizando inteligencia

7:34

artificial generativa. Estos lo utilizan

7:36

para que los modelos puedan generar

7:38

respuestas más coherentes a las

7:40

necesidades del usuario. También equipos

7:42

de producto y de experiencia de usuario

7:44

lo utilizan para poder crear asistentes.

7:46

También lo utilizan para poder crear

7:47

chatbots que entiendan el contexto del

7:49

usuario y de esta manera pueden ofrecer

7:51

experiencias más personalizadas. Las

7:53

empresas también lo utilizan para poder

7:54

automatizar procesos complejos. ¿Cómo

7:56

soporta el cliente? Análisis de datos y

7:58

esto genera respuestas que se adaptan al

8:00

reglamento interno de la empresa. En

8:01

resumen, vendría siendo cualquier

8:03

persona o equipo que necesita que la

8:05

inteligencia artificial entregue

8:07

respuestas más precisas dado un

8:09

determinado contexto. ¿Por qué deberías

8:11

aprenderlo?

8:13

Aprender Context Engineering se está

8:15

convirtiendo en una habilidad clave para

8:17

poder sacar el máximo provecho de las

8:19

inteligencias artificiales generativas,

8:21

logrando así que estas respondan con

8:22

mayor personalización, con mayor

8:24

precisión y también adaptándose a los

8:26

flujos de las empresas. Entonces, si tú

8:28

te encuentras trabajando con productos

8:29

digitales y que estos integren

8:32

inteligencia artificial generativa o

8:33

necesitas que estos modelos resuelvan

8:36

tareas más críticas, como por ejemplo

8:37

podría ser diseñar estrategias de

8:39

negocio, dominar esta técnica en

8:41

específico puede marcar una gran

8:43

diferencia en los resultados obtenidos.

8:44

Pero algo importante, no todos tienen

8:47

que aprender context engineering. Si

8:49

estás utilizando chat GPT o Gemini o

8:51

cualquier inteligencia artificial

8:52

generativa para poder obtener respuestas

8:55

más generales, también para poder

8:56

generar ideas rápidas que luego tú las

8:58

vas a filtrar o tienes que realizar

8:59

tareas también de baja complejidad.

9:01

Profundizar en context engineering puede

9:03

ser o de hecho no puede ser, va a ser un

9:05

esfuerzo completamente innecesario.

9:07

Entonces, en pocas palabras, si tú

9:09

necesitas que la IA trabaje como un

9:11

experto dentro de tu sistema, entonces

9:14

vale la pena aprenderlo, pero si

9:15

solamente lo estás utilizando como un

9:16

buscador inteligente, no lo necesitas.

9:19

Entonces, si nosotros quisiéramos

9:20

contrastar de cuándo sí versus cuándo

9:23

no, podríamos generar la siguiente tabla

9:26

comparativa. Por ejemplo, desarrollas

9:28

apps que integran inteligencia

9:29

artificial. En este caso, necesitas que

9:32

el modelo entienda el rol, las reglas de

9:34

negocio y también el estado del sistema.

9:36

También cuando te encuentras creando

9:37

asistentes o copilotos. Esto para que la

9:40

IA te conteste de manera coherente y

9:42

este pueda recordar el historial y

9:43

también adaptarse al usuario y también

9:45

en entornos profesionales sensibles,

9:47

como por ejemplo podría ser medicina,

9:49

derecho o también finanzas, porque acá

9:52

la precisión y el contexto son críticos

9:56

para poder obtener una respuesta

9:58

coherente. ¿Y cuándo no deberías

9:59

utilizar context engineering? si es que

10:01

tienes un uso ocasional o básico, como

10:03

por ejemplo cuando pides resúmenes,

10:04

también cuando pides que genere ideas

10:06

rápidas o respuestas generales, como por

10:08

ejemplo podría ser solicitar una receta

10:09

de cocina. También lo necesitas para

10:11

consultas aisladas y que no son

10:13

recurrentes y tampoco deberías

10:15

aprenderlo si es que tú estás realizando

10:16

una exploración casual. Para todos estos

10:19

casos donde tú no vas a necesitar

10:20

integrar inteligencia artificial con

10:22

algún sistema o con algún historial

10:24

demasiado grande o con documentos

10:26

externos. En ese caso, la verdad es que

10:28

no necesitas aprender context

10:29

engineering, pero para todos estos

10:31

casos, la verdad es que va a marcar una

10:33

diferencia sustancial en tu valor como

10:35

profesional. Componentes clave del

10:37

context engineering.

10:40

El primer componente fundamental es el

10:41

contexto estático. Esto quiere decir

10:44

información que siempre tiene que

10:45

acompañar al modelo y que esta por lo

10:47

general no cambia. Dentro de esto

10:48

tenemos los roles definidos, como por

10:50

ejemplo, actúa como un asesor

10:52

financiero, actúa como un profesor de

10:53

matemáticas, actúa como el rol que tú le

10:56

quieras dar. También tenemos reglas de

10:57

comportamiento, el tono de la

10:59

comunicación y límites claros, en otras

11:01

palabras, qué es lo que sí puede y qué

11:03

es lo que no puede hacer. Y contrastando

11:04

con el contexto estático, nosotros

11:06

también tenemos el contexto dinámico.

11:08

Este va a variar dependiendo de la

11:10

interacción que nosotros tengamos, como

11:12

por ejemplo podrían ser los datos del

11:13

usuario, el estado actual del sistema,

11:15

historial de conversaciones o

11:17

información tomada desde fuentes

11:19

externas. Ambos contextos tienen que

11:21

trabajar juntos para que el modelo no

11:24

solamente entienda qué es lo que tiene

11:26

que hacer, sino que también entienda

11:28

cuándo tiene que adaptarse según el

11:32

momento dado y la situación por la cual

11:34

se esté pasando. Otro componente también

11:36

sumamente importante que nosotros lo

11:38

alcanzamos a mencionar brevemente es la

11:41

memoria. En este caso, la memoria podría

11:43

ser temporal o también podría ser

11:45

persistente. Una memoria temporal podría

11:47

ser algo que nosotros le indicamos

11:48

dentro de la misma conversación y una

11:50

memoria persistente puede existir entre

11:53

múltiples sesiones con los LLM. De esta

11:56

manera, los modelos pueden, entre

11:58

comillas, recordar lo que ha pasado

12:02

antes. También existe la jerarquización

12:04

del contexto, que consiste en priorizar

12:07

la información que podría ser más

12:09

importante. Y esto es para que el modelo

12:11

no pierda el foco de qué es lo que tiene

12:14

que hacer cuando los volúmenes de datos

12:16

que nosotros le estamos entregando son

12:18

muy grandes. Todos estos elementos, si

12:20

es que llegasen a ser bien diseñados,

12:22

van a permitir que el LLM se comporte

12:25

como un especialista y va a ofrecer

12:27

respuestas coherentes y alineadas con

12:29

los objetivos. Técnicas comunes.

12:34

Ahora vamos a aprovechar de ver técnicas

12:35

comunes que podemos utilizar cuando

12:37

nosotros estemos entregándole contexto a

12:39

los LLM. Y la técnica número uno,

12:41

instrucciones de sistema y roles. En

12:43

este caso, nosotros definimos desde el

12:45

inicio quién es el modelo y qué es lo

12:47

que este tiene que hacer. Tienes, por

12:49

ejemplo, eres un arquitecto de software

12:50

senior con experiencia en migraciones a

12:52

microservicios. Tu objetivo es asesorar

12:54

a un equipo junior. La segunda técnica

12:56

común, inyección dinámica de datos. En

12:58

este caso, nosotros agregamos datos

13:00

relevantes en tiempo real, según sea el

13:03

estado del sistema o del usuario. Aquí

13:04

es cuando nosotros le empezamos a

13:06

entregar datos al ll para que este

13:08

entienda mejor qué es lo que nosotros

13:10

estamos haciendo. Entonces, por ejemplo,

13:12

si estamos teniendo un error en una

13:13

aplicación que nosotros estamos

13:14

desarrollando, lo que nosotros

13:16

deberíamos hacer ahora es tomar los locs

13:18

de error y entregárselos al ll para que

13:20

este nos ayude a depurar la aplicación.

13:22

o también si nosotros estamos

13:23

realizándole soporte a algún usuario,

13:25

aquí es donde nosotros le tenemos que

13:27

indicar qué es lo que está pasando con

13:29

el usuario para así poder entregarle una

13:31

solución más acorde. Aquí nosotros

13:33

también tenemos en el número tres

13:35

plantillas de contexto. En este caso

13:36

nosotros estamos utilizando estructuras

13:38

predefinidas para que las instrucciones

13:40

sean claras. Y aquí nosotros tendríamos

13:41

como por ejemplo rol y acá nosotros

13:43

colocamos un rol de modelo, objetivo

13:46

objetivo restricciones. Y aquí nosotros

13:48

le entregamos un listado de las

13:49

restricciones que este tiene que tener y

13:51

la salida esperada que en este caso

13:52

podría ser PDF, podría ser un JSON o el

13:55

formato que nosotros necesitemos. Otra

13:56

técnica también bastante común es el

13:58

prompt chaining, que este es cuando

14:00

nosotros dividimos tareas complejas en

14:03

pasos más pequeños y pasando el

14:05

resultado que nosotros obtuvimos del ll,

14:07

se lo entregamos nuevamente como dentro

14:09

del prompt. Este patrón nosotros lo

14:11

vemos en profundidad en el curso de

14:13

prompt engineering, que se encuentra

14:14

gratis en este canal de YouTube. Así que

14:16

si quieres aprender Prompt Engineer, ve

14:17

a verlo. Busca Hola Mundo Prompt

14:19

Engineering. Otra técnica común es la

14:21

jerarquización. Aquí nosotros le tenemos

14:22

que indicar al modelo qué parte del

14:25

prompt que este está recibiendo es lo

14:27

más crítico y que no debería pasar por

14:29

alto. Y finalmente tenemos el uso de la

14:31

memoria. Aquí nosotros tenemos que

14:33

mantener registros del historial para

14:35

que el modelo entienda mejor el contexto

14:37

previo y también nosotros tenemos que

14:39

considerar la capacidad máxima de los

14:42

tokens que tiene el LLM que nosotros

14:44

estemos utilizando. Buenas prácticas.

14:49

Una de las principales, si es que no es

14:51

la más importante, buena práctica del

14:53

context engineering, es entregarle datos

14:55

que son relevantes y no entregarle datos

14:58

que estos ya hayan expirado o que ya no

15:00

nos están sirviendo para el contexto. En

15:02

este caso, no se trata de bombardear el

15:04

modelo con información. Recuerda que

15:06

tenemos una capacidad limitada de

15:07

memoria, sino de proporcionarle

15:09

solamente lo estrictamente necesario

15:11

para que este entienda de mejor manera

15:13

el problema que tiene que resolver.

15:15

Entonces, cosas que son clave, la

15:17

jerarquización de los datos. Tienes que

15:19

entregarle siempre los roles, objetivos

15:21

y también las restricciones que este

15:22

tiene y dejar los detalles que son menos

15:24

críticos para después o incluso

15:26

eliminarlos si no te aportan. Además de

15:28

que también es buena práctica

15:29

estructurar el contexto de manera clara

15:32

y ordenada. Puedes utilizar bloques como

15:34

por ejemplo el de roll, objetivo, datos

15:36

disponibles y todo esto va a facilitar

15:37

que el modelo entienda mejor el

15:39

contexto. Para estos bloques tú

15:41

perfectamente podrías utilizar los

15:42

delimitadores. Si no sabes lo que son

15:44

los delimitadores, ve a ver el curso de

15:45

prompt engineering. Otra práctica

15:47

fundamental es estar constantemente

15:49

probando, revisando y ajustando el

15:52

contexto que nosotros le estamos

15:53

entregando de manera regular. El context

15:56

engineering no es algo que se hace

15:57

solamente una vez, tienes que estarlo

16:00

iterando constantemente. Vas a tener que

16:02

estar constantemente evaluando los

16:03

resultados que este te devuelve. Y en

16:05

base a esos resultados, vas a tener que

16:07

ir modificando también el contexto que

16:09

el LLM recibe. Y algo sumamente

16:11

importante, hay que mantener el contexto

16:14

actualizado. Si los datos que tú estás

16:16

utilizando para entregarle contexto

16:18

evolucionan, vas a tener que ir

16:20

actualizando también ese contexto y

16:22

todos los cambios que tú vas a estar

16:23

realizando, vas a tener que

16:25

documentarlos para que así también otras

16:27

personas de tu equipo puedan ver qué es

16:29

lo que ha estado pasando con el

16:30

contexto. De esta manera el proceso se

16:32

vuelve escalable y sobre todo

16:34

consistente. Algo sumamente importante

16:36

si es que estás trabajando con equipos.

16:39

Errores comunes.

16:42

Vamos a pasar a ver ahora los errores

16:44

más comunes que se encuentran cuando

16:45

estamos diseñando context engineering.

16:47

Confundir que más texto es mejor. Esto

16:50

definitivamente es algo que tú no

16:52

deberías hacer, ya que vas a estar

16:53

sobrecargando el modelo con información

16:56

irrelevante o redundante y este va a ser

16:58

que pierda el foco o además podrías

17:00

llegar al límite de los tokens. No

17:02

priorizar la información. Esto lo que va

17:05

a hacer es que el modelo va a priorizar

17:07

mal las respuestas que este te tiene que

17:09

dar. Otro error es no actualizar el

17:12

contexto. Este es sumamente

17:13

autoexplicativo, pero vamos a aprovechar

17:14

de decirlo. Las reglas pueden cambiar,

17:17

el código puede cambiar, los documentos

17:18

pueden cambiar, el usuario puede cambiar

17:20

y esto lo único que va a hacer es

17:22

entregarte respuestas que no son

17:24

correctas, no definir roles. Esto va a

17:26

hacer que el modelo improvise y por lo

17:28

general te va a entregar respuestas más

17:30

genéricas. no estructurar el contenido.

17:32

Si tú le entregas toda la información al

17:34

modelo como un bloque completamente

17:36

desordenado y no utilizas las prácticas

17:39

que nosotros vimos en nuestro curso de

17:41

prompt engineering, va a ser que el

17:42

modelo no logre entender bien las

17:45

prioridades y tampoco va a entender muy

17:47

bien qué es cada cosa. Otro error,

17:49

depender solamente del contexto

17:51

estático. Esto lo que hace es que limita

17:53

mucho la adaptabilidad de los modelos.

17:55

Otro error bastante común que está

17:57

vinculado con el primero, ignorar la

17:59

ventana de contexto. Si ignoras la

18:01

ventana de contexto, puede ser que

18:03

llegues al límite y si llegas al límite,

18:05

vas a dejar de obtener respuestas. Y el

18:07

último error sumamente común es no

18:09

iterar. Context engineering es un

18:11

proceso que se tiene que realizar de

18:13

prueba y error. No vas a obtener los

18:15

mejores resultados a la primera y al no

18:16

iterar estás limitando la capacidad que

18:19

va a tener el modelo de entregarte

18:21

respuestas correctas. Entonces, como

18:23

puedes ver, ahora resumiendo, el context

18:25

engineering requiere trabajo, requiere

18:27

afinamiento, requiere también revisar la

18:30

calidad del contexto, por lo que

18:31

lanzarse de cabeza a empezar a hacer

18:34

context engineering puede ser sumamente

18:36

contraproducente si no lo necesitas, ya

18:38

que este se va a convertir en un gasto

18:40

de recursos y de tiempo completamente

18:42

innecesario. ¿Cómo podemos hacer context

18:44

engineering?

18:46

Si llegaste hasta acá y has utilizado

18:48

inteligencias artificiales generativas o

18:50

viste mi curso de prompt engineering, tú

18:52

sabrás que las inteligencias

18:53

artificiales no pueden acceder

18:55

directamente a tus documentos o a una

18:57

base de datos. Tú vas a tener que

18:59

entregarle esos datos o al menos por

19:01

ahora. Entonces, si nosotros queremos

19:03

entregarles un mejor contexto a las

19:05

inteligencias artificiales generativas,

19:06

vamos a tener que desarrollar nuestros

19:08

propios agentes. Para esto podemos

19:10

utilizar herramientas como N8N, que si

19:12

te interesa aprender sobre N8N,

19:14

suscríbete a este canal. Pero

19:16

resumiendo, todo esto se puede gatillar

19:18

desde un formulario que envía un usuario

19:21

y este formulario perfectamente podría

19:23

ser una ventana de chat. Este, por

19:25

supuesto que es solamente uno de los

19:26

tantos ejemplos o cosas que se pueden

19:29

implementar con N8N. Y vamos a suponer

19:31

que este formulario después llega a un

19:34

proceso que nosotros diseñamos, el cual

19:36

utiliza el modelo GPT4. Yo digo GPT4,

19:39

pero podría ser perfectamente cualquier

19:41

modelo. Y acá nosotros lo que hacemos es

19:43

pedirle al modelo que identifique este

19:46

formulario que nosotros estamos

19:47

recibiendo como una tarea de soporte, si

19:49

es una duda comercial o de algún otro

19:51

tipo. Vamos a dejarlo aquí como etc

19:53

indicando que pueden haber muchas más

19:55

clasificaciones. Y en el caso de que sea

19:56

una duda de soporte, lo que nosotros

19:58

podemos hacer es ir a una base de datos,

20:01

realizar la consulta, por ejemplo, de

20:03

este usuario en particular para ver sus

20:05

datos y también para poder obtener

20:07

documentos de cómo este debería

20:09

comportarse. Y después tomamos el prompt

20:11

del usuario en conjunto con lo que nos

20:13

devuelve la base de datos y se lo

20:14

entregamos nuevamente a nuestro ll. Este

20:18

nos va a entregar una respuesta. Esa

20:20

respuesta después nosotros la podemos

20:21

tomar y se la podemos reenviar como

20:23

correo electrónico al usuario que

20:25

rellenó este formulario. O si queremos

20:27

hacer algo más interesante, lo que

20:29

podemos hacer es entregarle esta

20:31

respuesta a un servidor que utiliza

20:33

Websockets y después este servidor se

20:36

encarga de actualizar una ventana de

20:39

chat donde se encuentra también

20:41

chateando el usuario. Y ahora, en el

20:43

caso que este sea una duda comercial,

20:45

podemos indicar que los documentos en

20:47

lugar de ir a buscarlos a una base de

20:49

datos, los debería ir a buscar a un

20:51

directorio y luego ese directorio con

20:53

los documentos que te devuelve. Y además

20:55

si adjuntamos el prompt del usuario, se

20:58

lo podemos entregar también a nuestro

21:00

modelo de inteligencia artificial

21:02

generativa, en este caso GPT4.

21:05

nuevamente, este, finalmente se lo

21:07

devolvemos al usuario como alguna de las

21:09

formas que te había mencionado antes,

21:10

que podría ser a través de un chat,

21:11

podría ser a través de un correo

21:12

electrónico o de algún otro sistema que

21:14

a ti también se te ocurra. Futuro del

21:16

context engineering.

21:19

El futuro del context engineering apunta

21:21

a cada vez una automatización mayor de

21:23

los procesos. Eventualmente, en un

21:25

futuro, nosotros podríamos ver modelos

21:27

que son capaces de gestionar y

21:29

actualizar su propio contexto. Esto

21:30

priorizando información relevante sin

21:32

necesidad de interacción humana. Esto va

21:34

a incluir, por ejemplo, memorias

21:36

persistentes que recuerden absolutamente

21:37

todo el contexto del usuario, como si

21:39

también las preferencias y el historial.

21:41

Y esto va a hacer que las interacciones

21:42

sean cada vez más personalizadas y

21:44

fluidas. Además, por supuesto que van a

21:46

seguir surgiendo herramientas

21:47

específicas para personas que apliquen

21:50

context engineering. Estas van a

21:51

facilitar diseñar, construir, probar y

21:53

optimizar contextos de manera más rápida

21:55

y eficiente, muy similar a los ID de

21:57

programación que existen actualmente,

21:59

pero para personas que apliquen context

22:01

engineering, también el rol de context

22:02

engineering no los profesionales, no van

22:05

a existir personas dedicadas al context

22:07

engineer, pero sí van a existir

22:08

profesionales de ciertas áreas que van a

22:10

tener que realizar su trabajo y además

22:12

van a tener que estar actualizando estos

22:14

contextos con información relevante para

22:16

que así el modelo los pueda ayudar de

22:18

mejor manera. En resumen, el context

22:20

engineering va a dejar de transformarse

22:22

solamente en una técnica y se va a

22:24

convertir en una disciplina central

22:26

donde van a existir varios profesionales

22:28

dedicados a actualizar el contexto. En

22:31

resumen, el context engineering no es

22:32

solamente una técnica, sino que es una

22:34

forma de cómo pensamos para poder

22:36

interactuar con las inteligencias

22:38

artificiales generativas. Aprender a

22:40

diseñar el contexto correcto te va a

22:42

ayudar a ti a poder transformar modelos

22:45

que te entregan respuestas genéricas en

22:47

modelos que entregan respuestas

22:48

personalizadas a los usuarios. Pero ojo,

22:50

esto es muy importante, no siempre vale

22:54

la pena. En algunos casos, el esfuerzo

22:56

que tú tienes que destinar para poder

22:57

crear esto, mantener el contexto

22:59

actualizado e ir iterando esto, puede

23:02

ser que el esfuerzo sea demasiado grande

23:05

para un retorno que la verdad no va a

23:07

ser tan relevante. La clave está en

23:09

saber cuándo aplicarlo de manera

23:11

estratégica y cuando basta con una

23:13

interacción simple. Pero ahora viene lo

23:14

importante. Si tú trabajas con

23:16

inteligencia artificial, dominar esta

23:18

técnica es sumamente importante para ti.

23:20

No es opcional. Esto es lo que te va a

23:22

dejar a ti un paso más adelante de los

23:24

otros profesionales, donde no gana el

23:27

quien más pregunta, sino el que mejor

23:29

hace la pregunta y sobre todo saber

23:32

cuándo vale la pena hacerlo. Y este fue

23:33

el video de hoy. Si te gustó, recuerda

23:35

golpear mucho al maldito del botón de me

23:37

gusta. Si te encantó, considera

23:38

suscribirte a este canal. Si no te

23:39

quieres quedar atrás en tecnología,

23:41

puedes aprovechar de inscribirte en la

23:42

academia Hola Mundo. Tenemos un

23:43

descuento especial para ti que se

23:45

encuentra en la descripción de este

23:46

video. Hasta la próxima y