context-optimization

name	context-optimization
description	Técnicas avanzadas para extender la capacidad efectiva del contexto mediante compactación, enmascaramiento, optimización de caché KV y particionamiento.

🚀 Context Optimization Techniques

Esta habilidad permite maximizar la utilidad de la ventana de contexto mediante estrategias de compresión, enmascaramiento y particionamiento. El objetivo es duplicar o triplicar la capacidad efectiva sin necesidad de modelos más grandes, reduciendo latencia y costo.

Mental Model: La calidad del contexto importa más que la cantidad. Optimizar es preservar la señal mientras se elimina el ruido técnico y conversacional.

🚩 Fragilidad y Autonomía

• Fragilidad: Media. Un enmascaramiento excesivo puede ocultar dependencias críticas de razonamiento.
• Libertad: Alta en la implementación de disparadores (triggers) de optimización.

🚀 Cuándo Activar

• Cuando los límites de contexto restringen la complejidad de la tarea.
• Para reducir costos operativos (menos tokens = menor costo).
• Al notar aumentos significativos en la latencia de respuesta.
• Al implementar sistemas de agentes de larga duración o monorepos masivos.

🧠 Conceptos Core

1. Las Cuatro Palancas de Optimización

Estrategia	Método	Impacto
Compaction	Resumen estructurado cerca de límites.	Reducción del 50-70%.
Observation Masking	Reemplazo de outputs verbosos por referencias.	Reducción del 60-80% en tool logs.
KV-Cache Opt	Reordenamiento para maximizar prefijos estables.	Latencia -40%, Costo -50%.
Partitioning	División de tareas en sub-agentes aislados.	Aislamiento total de ruido.

2. El Problema de la Observación

Las salidas de herramientas (tool outputs) pueden representar el 80% del uso de tokens. Una vez procesadas, mantener el log completo tiene un valor decreciente y un costo creciente.

🛠️ Implementación en Gemini Elite Core

Patrón: Masking con Referencia Atómica

Sustituye salidas largas por un resumen y un ID de referencia.

[OBSERVATION MASKED: output_log_42]
Key Findings: Error 404 in /api/auth.
Full log stored in artifacts/logs/auth_error.log

Patrón: Cache-Friendly Ordering

Ordena el contexto para maximizar los "cache hits" del motor Gemini.

1. System Prompt (Estatico - Inicio)
2. Tool Definitions (Estatico)
3. Project Context (Semi-Estatico)
4. Current Task State (Dinámico - Final)

Umbrales de Disparo (Triggers)

• 70% Utilización: Alerta de proximidad.
• 80% Utilización: Disparo de compactación iterativa.
• 90% Utilización: Compactación agresiva y particionamiento forzado.

---

🔗 Integraciones

• context-fundamentals: Base para la jerarquía de información.
• multi-agent-patterns: Particionamiento como método de aislamiento.
• memory-systems: Descarga de contexto a sistemas de memoria externa.

📚 Referencias Internas

• references/optimization_techniques.md: Guía técnica de presupuestos de tokens, patrones de enmascaramiento y benchmarks de rendimiento.