INTERMEDIO · 8 MÓDULOS · 64 LECCIONES

Context engineering

Decide con disciplina qué entra en la ventana de contexto de un modelo: presupuesta tokens, ordena y comprime la información y mide el efecto de cada cambio.

Es para ti si
Construyes apps con LLM sobre documentos y quieres pasar de escribir buenos prompts a presupuestar el contexto.
Al terminar
Sabrás versionar un system prompt, elegir contenido bajo un límite de tokens, resumir historiales largos y mitigar el exceso de contexto.
Necesitas
Fundamentos de prompting y Python básico instalado. No necesitas llave de API ni internet.
  1. 01Qué es context engineering8 LECCIONES
    1. Módulo 1: Qué es context engineering
    2. El prompt es solo un componente
    3. La anatomía de una ventana de contexto
    4. El contexto como presupuesto de recursos
    5. El Asistente de Soporte de Reservo y el corpus
    6. El contexto ingenuo: midiendo la base
    7. Por qué más contexto no es mejor
    8. Mini-proyecto: mapea y mide una ventana de contexto
  2. 02System prompts e instrucciones8 LECCIONES
    1. Módulo 2: System prompts e instrucciones
    2. El system prompt como ítem del presupuesto
    3. Dónde va el system prompt: el parámetro `system` de nivel superior
    4. Reglas para usar los documentos
    5. Manejo de información faltante
    6. Instrucciones de formato de salida
    7. Auditando el system prompt: `lint_system_prompt`
    8. Mini-proyecto: el system prompt del Asistente de Reservo
  3. 03Estructurando la ventana de contexto8 LECCIONES
    1. Módulo 3: Estructurando la ventana de contexto
    2. El orden de los bloques
    3. Delimitadores y por qué ayudan
    4. Posición y el efecto "lost in the middle"
    5. Ensamblando el contexto con `assemble_context()`
    6. Un validador estructural como eval de forma
    7. Tags XML para contenido largo
    8. Mini-proyecto: un contexto estructurado para el asistente
  4. 04Seleccionar contenido bajo un presupuesto de tokens8 LECCIONES
    1. Módulo 4: Seleccionar contenido bajo un presupuesto de tokens
    2. El problema del presupuesto de tokens
    3. Selección greedy por score de relevancia
    4. Deduplicando chunks casi idénticos
    5. Poniendo un tope por fuente
    6. Cuando el mejor subconjunto no entra completo
    7. Midiendo seleccionados contra disponibles
    8. Mini-proyecto: un selector consciente del presupuesto
  5. 05Compaction (resumir historial y resultados largos)8 LECCIONES
    1. Módulo 5: Compaction (resumir historial y resultados largos)
    2. Por qué crece el historial y qué compactar
    3. Extrayendo campos clave a un registro estructurado
    4. Resumiendo un resultado largo
    5. Compactación en dos etapas para sesiones largas
    6. Qué debe preservar una compactación
    7. Yendo más allá de agent-fundamentals M6
    8. Mini-proyecto: una pasada de compaction para el Asistente
  6. 06Few-shot examples como línea de presupuesto8 LECCIONES
    1. Módulo 6: Few-shot examples como línea de presupuesto
    2. Few-shot como línea de presupuesto
    3. Cuándo los ejemplos ayudan y cuándo no
    4. Cuántos ejemplos caben
    5. Dónde van los ejemplos en la estructura
    6. El costo de un ejemplo contra un chunk de documento
    7. Seleccionando ejemplos por categoría de pregunta
    8. Mini-proyecto: un bloque de few-shot presupuestado
  7. 07Context rot, isolation y medir cambios de contexto8 LECCIONES
    1. Módulo 7: Context rot, isolation y medir cambios de contexto
    2. Qué es context rot
    3. Simulando la degradación a medida que el contexto crece
    4. Midiendo una señal de forma con y sin las técnicas
    5. Isolation: darle a una sub-tarea su propia ventana limpia
    6. El hábito de medir antes y después
    7. Armando el loop de medición completo
    8. Mini-proyecto: medir un cambio de contexto
  8. 08El pipeline de contexto de soporte de Reservo (proyecto)8 LECCIONES
    1. Módulo 8: El pipeline de contexto de soporte de Reservo (proyecto)
    2. El brief: un presupuesto de contexto para el Asistente
    3. Ensamblando `build_context()`
    4. El payload ingenuo contra el engineered
    5. Corriendo una conversación de varios turnos
    6. Midiendo la mejora
    7. Lo que el Asistente todavía necesita
    8. Proyecto: el pipeline de contexto de soporte de Reservo
Reseñas

Lo que dicen los estudiantes

Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.

Aún no hay reseñas aprobadas.

¡Sé el primero en compartir tu experiencia!

SEC. 06 · EL ESTUDIO

Por qué existe este estudio

Durante décadas, construir software fue cosa de perfiles técnicos con años de formación, y llevar un producto digital a la vida real le tomaba a las empresas meses o años. El no-code y la inteligencia artificial han acortado esa brecha, pero el conocimiento sigue en manos de unos cuantos.

Tech Benders existe para abrir ese conocimiento, para que los equipos de negocio y los perfiles no técnicos puedan poner sus ideas en producción con las decisiones técnicas correctas detrás. La IA hace lo que le pides. Sin una base técnica, lo que construye puede no escalar con el ecosistema de tu empresa, y sus costos se disparan con el tiempo.

El equipo conoce los dolores de las organizaciones grandes y la velocidad a la que tienen que moverse. Trae arquitectura de soluciones, ingeniería de datos, producto construido de punta a punta, del backend al frontend, y trabajo diario con IA. Software que resuelve lo que necesitas en días, no en meses, con los costos de la IA bajo control.

Fundadores

El estudioConoce Tech Benders →

Escríbenoshi@techbenders.io

Hecho con Wislab