| name | context-degradation |
| description | Diagnóstico y mitigación de problemas de contexto, incluyendo "Lost-in-Middle", envenenamiento de contexto y degradación de atención en sesiones largas. |
📉 Context Degradation Patterns
Esta habilidad permite diagnosticar y mitigar los fallos predecibles en el rendimiento de los LLMs a medida que aumenta la longitud del contexto. La degradación no es un estado binario, sino un continuo que afecta la atención y la precisión del modelo.
Mental Model: El contexto no es un espejo perfecto; es un cubo con fugas. La degradación ocurre cuando el ruido sobrepasa la señal o cuando la atención del modelo se estira demasiado.
🚩 Fragilidad y Autonomía
- Fragilidad: Media. Identificar el punto exacto de degradación requiere pruebas empíricas.
- Libertad: Alta en la implementación de estrategias de recuperación (Truncado vs. Resumen).
🚀 Cuándo Activar
- Cuando el rendimiento del agente disminuye inesperadamente en conversaciones largas.
- Al depurar salidas incorrectas o irrelevantes ("Lost-in-Middle").
- Al diseñar sistemas que deben manejar contextos masivos (1M+ tokens).
- Para evaluar decisiones de arquitectura de ingeniería de contexto.
🧠 Conceptos Core
1. El Fenómeno "Lost-in-Middle"
Los modelos muestran curvas de atención en forma de U. La información al inicio y al final se recuerda con precisión, mientras que la información enterrada en el medio sufre una caída de recall del 10-40%.
2. Tipos de Degradación
| Patrón | Causa | Síntoma |
|---|
| Context Poisoning | Errores o alucinaciones previas. | Bucles de retroalimentación de creencias falsas. |
| Context Distraction | Exceso de información irrelevante. | El modelo ignora su entrenamiento base. |
| Context Confusion | Multiplicidad de tareas en una ventana. | Mezcla de requisitos de diferentes fuentes. |
| Context Clash | Información contradictoria. | Descarrilamiento del razonamiento lógico. |
3. Umbrales por Modelo (Referencia)
| Modelo | Inicio Degradación | Degradación Severa |
|---|
| Gemini 3 Pro | ~500K tokens | ~800K tokens |
| Gemini 3 Flash | ~300K tokens | ~600K tokens |
| GPT-5.2 | ~64K tokens | ~200K tokens |
🛠️ Implementación en Gemini Elite Core
El Enfoque de las "Cuatro Cubetas" (Four-Bucket)
- Write: Guarda contexto fuera de la ventana (archivos, scratchpads).
- Select: Recuperación selectiva (RAG, filtrado) para excluir ruido.
- Compress: Resumen y enmascaramiento de observaciones (Observation Masking).
- Isolate: Divide tareas entre sub-agentes con ventanas de contexto limpias.
Patrón: Mitigación Lost-in-Middle
Mueve la información crítica a los bordes del contexto.
[INFORMACIÓN CRÍTICA / TAREA ACTUAL] # Inicio (Alta Atención)
...
[DATOS DE APOYO / HISTORIAL LARGO] # Medio (Baja Atención)
...
[REGLAS FINALES / FORMATO DE SALIDA] # Final (Alta Atención)
🔗 Integraciones
context-fundamentals: Base para entender la jerarquía.context-optimization: Técnicas específicas de mitigación.evaluation: Medición de la salud del contexto mediante sondas (probes).
📚 Referencias Internas
references/patterns.md: Referencia técnica sobre distribución de atención y recuperación.
