Por qué tu agente empeora en las sesiones largas y qué hacer
Repite lo que ya hizo, se salta normas que aceptó hace una hora y da por terminado lo que está a medias: no es el modelo, es el contexto que arrastra. Aquí están los cuatro modos de fallo, la técnica que corrige cada uno y lo que cuesta aplicarla.
12 min de lecturalaboratorio: decisorpublicado el 21 sept 2026
1El problema
Una sesión larga con un agente suele empezar bien y terminar mal. Los síntomas se reconocen sin abrir los registros:
Repite acciones que ya hizo: vuelve a leer el mismo fichero, reintenta una búsqueda idéntica o propone otra vez un plan que ya había descartado.
Olvida normas o decisiones anteriores: la regla que fijasteis hace dos horas deja de cumplirse. No la discute: actúa como si no existiera.
Elige herramientas equivocadas: llama a la que se parece en el nombre, o encadena tres llamadas donde bastaba una.
Se rinde antes de tiempo: da la tarea por terminada con la mitad hecha y la presenta como completa.
Se contradice: una suposición temprana y equivocada se queda en el historial y el resto de la sesión se construye encima.
La reacción habitual es cambiar de modelo o reescribir el prompt. Casi nunca es ahí donde está el problema. Philipp Schmid lo resumió en una frase que se ha hecho estándar: los fallos de los agentes no son solo fallos del modelo, son fallos de contextoV. Lo que ha cambiado entre el primer turno y el número ochenta no es el modelo: es lo que el modelo está leyendo.
2Qué está pasando
Hay dos cosas ocurriendo a la vez. La primera es context rot: la degradación del rendimiento a medida que crece la entrada, mucho antes de llenar la ventana.
Chroma evaluó 18 modelos (entre ellos GPT-4.1, Claude 4, Gemini 2.5 y Qwen3) con tareas que mantienen fija la dificultad y solo varían la longitud. Conclusión: el rendimiento se vuelve cada vez menos fiable según crece la entrada, y empeora cuando la pregunta y el dato buscado tienen poca similitud semántica V.
El efecto lost in the middle (Liu et al., 2023) describe una curva en U: lo que está al principio o al final del contexto se usa mejor que lo que queda en medio V.
Al fragmentar una misma tarea en varios turnos, Laban et al. midieron una caída media del 39% sobre más de 200.000 conversaciones simuladas, debida sobre todo a falta de fiabilidad, no de aptitud V.
En trabajo agéntico, Anthropic midió que el uso de tokens por sí solo explica el 80% de la varianza de rendimiento en BrowseComp V. El informe técnico de Gemini 2.5 describe que, pasados unos 100.000 tokens, su agente tendía a repetir acciones de su historial en lugar de sintetizar planes nuevos S.
No se arregla con ventanas más grandes. La documentación actual de Claude, con 1M de contexto disponible, sigue advirtiendo de que más contexto no es automáticamente mejor y nombra el context rot explícitamente V.
Dos trabajos de 2026 lo llevan a los extremos: los monitores de seguridad pasan por alto acciones peligrosas entre 2 y 30 veces más a menudo cuando ocurren tras 800.000 tokens de actividad benigna V, y en búsquedas de horizonte largo aparece la terminación prematura: los agentes se rinden antes de agotar el contexto, y el fenómeno crece con la longitud V. Anthropic Labs describe lo mismo en desarrollo de aplicaciones y lo llama context anxiety: Sonnet 4.5 cerraba tareas al creer que se acercaba al límite V.
La segunda es que no todo el deterioro es el mismo deterioro. Drew Breunig catalogó cuatro modos de fallo, y cada uno se corrige de forma distinta V:
Envenenamiento: un error o una alucinación entra en el contexto y se sigue citando como si fuera cierto.
Distracción: el historial crece tanto que pesa más que lo aprendido en el entrenamiento, y el agente repite lo que ya hizo.
Confusión: hay contenido superfluo (sobre todo demasiadas herramientas) y empeora la respuesta.
Conflicto: información nueva contradice a la que ya estaba, y las suposiciones tempranas contaminan lo que viene después.
Traducido a síntomas: repetir es distracción, elegir mal la herramienta es confusión, contradecirse es conflicto, e insistir en algo falso es envenenamiento. Olvidar normas suele ser otra cosa: la norma ya no está en el contexto.
3Qué hacer en cada caso
Cinco técnicas, con lo que corrige cada una.
Compactar o resumir el historial. Corrige la distracción. Anthropic la describe como destilar la ventana conservando la máxima fidelidad, y recomienda maximizar primero el recuerdo y después la precisión del resumen; su forma más suave es borrar solo los resultados de herramientas antiguos V. En su propia medición, la edición de contexto redujo el consumo de tokens un 84% en una evaluación de 100 turnos de búsqueda web V. Claude Code compactaba automáticamente al superar el 95% de la ventana S.
Reiniciar con traspaso limpio. Corrige el envenenamiento y el conflicto, que un resumen no arregla porque arrastra el error resumido. Breunig propone empezar de cero con un contexto consolidado V. Anthropic Labs encontró que con Sonnet 4.5 los reinicios con traspaso estructurado funcionaban mejor que la compactaciónV, y en su guía de agentes de larga duración el traspaso son artefactos, no prosa: un fichero claude-progress.txt, una lista JSON de más de 200 funcionalidades marcadas como passing o failing, y git como memoria y mecanismo de recuperación; allí se afirma que la compactación por sí sola no basta V.
Subagentes con contexto aislado. Corrige la distracción y la confusión en tareas de lectura e investigación: el subagente quema su propia ventana y devuelve un resumen condensado de entre 1.000 y 2.000 tokens al agente principal V. En la evaluación interna de Anthropic, un líder Opus 4 con subagentes Sonnet 4 superó a Opus 4 en solitario en un 90,2% V. Conviene conocer el contrapunto: Cognition sostiene que los subagentes sin contexto compartido toman decisiones implícitas incompatibles y defiende un solo hilo para las tareas de escritura. Las dos posturas encajan si se reparte la lectura y se mantiene un único escritor.
Notas en ficheros. Corrige el olvido y hace barata la compactación. Manus usa el sistema de ficheros como memoria ilimitada y persistente, con una regla útil: la compresión debe ser restaurable, es decir, se descarta el contenido de una página pero se conserva su URL, y el de un documento pero se conserva su ruta V. El mismo equipo reescribe continuamente un todo.md para llevar los objetivos al final del contexto, donde el modelo los lee mejor V. LangChain lo automatiza en Deep Agents: los resultados de más de 20.000 tokens se descargan a fichero y se sustituyen por una ruta y una vista previa de 10 líneas; al 85% de la ventana se descargan también las entradas grandes V.
Reducir herramientas. Corrige la confusión, y actúa antes de que el lector escriba nada. Breunig cita el caso de Llama 3.1 8B, que falla con 46 herramientas disponibles y acierta con 19, y el de DeepSeek-v3, que se degrada por encima de 30 V. La alternativa a quitarlas es cargarlas bajo demanda: si el agente busca la herramienta cuando la necesita en vez de tenerlas todas descritas desde el principio, las descripciones pasan de unos 77.000 a unos 8.700 tokens, un 85 % menos y la precisión de Opus 4.5 en sus evaluaciones MCP sube del 79,5% al 88,1% V; exponer los servidores MCP como código navegable llevó un flujo de 150.000 a 2.000 tokens V. Manus añade un matiz de producción: enmascarar herramientas en lugar de retirarlas a mitad de tarea, porque quitarlas rompe la caché y deja referencias huérfanas V.
Falta una sexta, para el síntoma de olvidar normas: fijar las normas fuera del historial. Claude Code vuelve a meter el fichero de normas del proyecto —el CLAUDE.md de la raíz— cada vez que resume la sesión, precisamente para que las normas no se pierdan en el resumen. Y recomienda dejarlo por debajo de 200 líneas: un fichero largo ocupa sitio que necesita el trabajo y, cuanto más largo es, menos caso se le hace V. Conviene saber que ese fichero se entrega como contexto, no como configuración impuesta: para garantías duras hay que usar hooksV.
4Cuánto ahorra o cuesta
Curar el contexto no es gratis, y el coste está en un sitio poco intuitivo: la caché.
La caché de prompt se invalida al reescribir el contexto. La documentación de edición de contexto de Anthropic lo advierte de forma explícita: borrar resultados de herramientas invalida los prefijos cacheados, y por eso existe el parámetro clear_at_least, para que lo que se borra compense el coste de reescribir la caché V.
Y la caché es donde está el dinero. Manus mide una relación entrada/salida de unos 100:1 en su agente: casi todo lo que se paga es contexto releído, no texto generado. Con Claude Sonnet, los tokens cacheados costaban 0,30 dólares por millón frente a 3 dólares sin caché, diez veces menos, y de ahí que consideren la tasa de aciertos de KV-caché la métrica más importante de un agente en producción V.
El agente ya parte de un coste alto. Anthropic midió que sus agentes gastan unas 4 veces más tokens que un chat, y los sistemas multiagente unas 15 veces más V. Aislar contexto en subagentes mejora el resultado y multiplica la factura.
Lo que se ahorra. En las mediciones internas de Anthropic, memoria más edición de contexto dieron un 39% sobre la línea base en búsqueda agéntica (solo la edición, un 29%), con ese 84% menos de tokens en la evaluación de 100 turnos V. Son cifras del propio fabricante, en sus propias evaluaciones.
El coste oculto: perder normas al compactar. Un preprint de 2026 midió 1.323 episodios en siete familias de modelos y encontró que, tras compactar, la tasa de violaciones de políticas pasa del 0% al 30% de media, con picos del 59%. El dato importante es condicional: si la restricción sobrevive al resumen, las violaciones siguen en el 0%; si se pierde en el resumen, se incumple el 38 % de las veces. Volver a escribirla justo después de cada resumen las devuelve al 0 %, y son dos líneas de trabajo V. Es trabajo de un solo autor y sin revisión por pares, pero apunta a una precaución barata: comprobar que la norma sigue escrita después del resumen.
5Cuándo no conviene
No todo contexto largo es un problema, y no toda sesión larga pide compactar.
No compactes si el síntoma es envenenamiento o conflicto. Resumir un historial contaminado produce un resumen contaminado y más difícil de auditar. Ahí toca reiniciar con un traspaso escrito a mano o revisado.
No borres los errores. Manus defiende conservar los intentos fallidos en el contexto porque ayudan al modelo a corregir sus creencias, y sostiene que la recuperación de errores es uno de los indicadores más claros de comportamiento agéntico real V. Limpiar el historial de fallos invita a repetirlos.
No compactes por costumbre en sesiones cortas. Si la tarea cabe holgadamente en la ventana, reescribir el contexto solo tira la caché. El compromiso de fondo es entre tres cosas que no se pueden maximizar a la vez: curar (quitar tokens), cachear (no tocar el prefijo) y recordar (no perder información).
Un contexto largo es la respuesta correcta cuando el material no se puede trocear sin perderlo: un expediente que hay que leer entero, una base de código donde importan las relaciones entre ficheros, una conversación que se debe auditar completa. Anthropic da 1M de tokens en disponibilidad general para Opus 4.6 y Sonnet 4.6 desde el 13 de marzo de 2026 a precio estándar, sin multiplicador, y publica un 78,3% en MRCR v2 (un 76% en el anuncio de Opus 4.6 del 5 de febrero de 2026, con 8 agujas sobre 1M) V.
Cuidado con concluir demasiado de esas cifras. Chroma sostiene que los benchmarks de aguja en un pajar sobreestiman la capacidad real en contextos largos, y los propios testimonios del anuncio de disponibilidad general hablan de menos eventos de compactación, no de ninguno V.
Compactar demasiado y demasiadas veces también degrada. El trabajo de ACE (ICLR 2026) describe el context collapse: reescribir el contexto una y otra vez erosiona el detalle y sesga hacia resúmenes demasiado breves V.
6Cómo saber si está funcionando
Tres señales bastan para saber si el cambio ha servido. Ninguna requiere instrumentación cara.
Repeticiones por sesión. Cuenta cuántas veces el agente llama a la misma herramienta con los mismos argumentos, o vuelve a leer un fichero que ya leyó. Es el indicador directo de distracción, el mismo patrón descrito en el agente de Gemini a partir de unos 100.000 tokens S. Si compactar o descargar a ficheros funciona, esa cuenta baja.
Cumplimiento de normas después de compactar. Define dos o tres reglas que no se pueden saltar, provoca una compactación y comprueba dos cosas: si la norma sigue escrita en el contexto y si se sigue cumpliendo. Es exactamente la distinción que separa el 0% del 38% de violaciones en el estudio de 2026 V. LangChain evalúa sus Deep Agents con pruebas equivalentes: preservación del objetivo y búsqueda del dato tras el resumen V.
Coste por tarea completada, no por sesión. Mide tokens y euros por tarea terminada y aceptada. Una sesión más barata que no termina la tarea es más cara. Junto a eso, vigila la tasa de aciertos de caché: si sube el coste sin subir el trabajo hecho, probablemente estás invalidando el prefijo cacheado con demasiada frecuencia V.
Tareas dadas por terminadas que no lo estaban. Lleva la cuenta: es la terminación prematura, y crece con la longitud del contexto V. En búsquedas largas, el muestreo paralelo con filtrado consciente del comportamiento mejoró entre un 2,6% y un 4,9% V; en desarrollo, la respuesta de Anthropic fue un verificador externo, porque los agentes que se autoevalúan tienden a elogiar su propio trabajo aunque sea mediocre V.
Un apunte de método: cambia una cosa cada vez. Si reduces herramientas y compactas antes a la vez, no sabrás cuál de las dos arregló el síntoma, ni cuál de las dos te está costando dinero.
7Pruébalo
8Llévatelo a tu caso
Para qué sirve esto en un equipo
Antes de cambiar de modeloDescartar primero que el problema sea de contexto: repeticiones, normas perdidas y herramientas de más salen gratis de comprobar.
Revisión de un agente en producciónPasar los cuatro tipos de fallo como lista de comprobación sobre sesiones reales —el registro de lo que hizo el agente paso a paso—, en vez de discutir sobre impresiones.
Sesiones de varios díasDecidir qué se guarda en ficheros versionados y qué puede morir con la sesión, antes de empezar el trabajo largo.
Hasta dónde llega: el decisor ordena síntomas y técnicas, no mide tu sistema. Las cifras vienen de evaluaciones publicadas (varias del propio fabricante, y una de un preprint sin revisión por pares) y no predicen tu caso; el ahorro real depende de tu tasa de aciertos de caché y de tu mezcla de tareas.
¿Te compensa?
Marca las que se cumplan en tu caso.
Si quieres seguir
Pruébalo tú
Usa el laboratorio de arriba con tu propio caso.
Entiéndelo mejor
Las piezas que lo completan.
¿Dudas o correcciones?
Si algo no encaja con tu caso, o si encuentras un error, escríbeme: se corrige y se anota.