context-degradation

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)

1. Write: Guarda contexto fuera de la ventana (archivos, scratchpads).
2. Select: Recuperación selectiva (RAG, filtrado) para excluir ruido.
3. Compress: Resumen y enmascaramiento de observaciones (Observation Masking).
4. 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.