Skills y Context Engineering: enseña a un agente IA tu forma de trabajar

Skills y Context Engineering: enseña a un agente IA tu forma de trabajar
IA y agentes
David Alejandro Pedrozo López

David Alejandro Pedrozo López

Equipo técnico

01 de octubre de 2026
6 min lectura
Compartir:

Un agente de IA sin contexto es un empleado nuevo el primer día: sabe programar, sabe redactar, sabe razonar, pero no sabe nada de cómo hacéis las cosas en vuestra empresa. No conoce vuestras convenciones de nombres en Liferay, vuestro formato de informe de auditoría ni el checklist que seguís antes de pasar un desarrollo a producción. El context engineering es la disciplina que se ocupa de cerrar esa brecha: consiste en construir el sistema que alimenta al agente con la información correcta en el momento correcto, no en escribir el prompt perfecto.

En JULDITEC llevamos meses aplicando esta idea en proyectos de automatización con n8n y en flujos de trabajo internos con agentes conversacionales. La conclusión es sencilla: cuanto mejor documentamos nuestra forma de trabajar en unidades reutilizables, mejor rinde cualquier modelo, sea Claude, GPT o un modelo abierto servido en local.

Context engineering frente a prompt engineering

El prompt engineering optimiza una instrucción puntual: cómo pedirle algo a un modelo para que responda mejor en esa conversación concreta. El context engineering va un paso más allá y diseña todo el entorno de información que rodea al agente: qué documentos puede consultar, qué herramientas tiene disponibles, qué memoria conserva entre tareas y qué límites no debe cruzar.

La diferencia se nota en la práctica. Un prompt bien escrito ayuda a resolver una tarea aislada. Un contexto bien diseñado permite que un agente ejecute decenas de tareas similares con el mismo criterio, sin que tengas que reescribir instrucciones cada vez. Es la diferencia entre explicarle algo a alguien una vez y conseguir que lo recuerde.

El contexto no es lo que el modelo sabe de fábrica, es lo que tú decides que sepa para esta tarea concreta.

Skills: paquetes de conocimiento que el agente activa cuando los necesita

Una skill, en el sentido en que Anthropic las ha popularizado con Claude y en el que nosotros las aplicamos en nuestros propios agentes, es un paquete autocontenido de instrucciones, ejemplos y recursos que el agente carga solo cuando la tarea lo requiere. En lugar de meter todo el conocimiento posible en un único system prompt gigante, se divide el conocimiento en módulos especializados.

Piensa en ello como una caja de herramientas: no llevas el martillo en la mano todo el día, lo coges cuando toca clavar algo. Una skill de "redacción de informes de auditoría Liferay" no interfiere con una skill de "generación de pull requests", y ambas pueden convivir en el mismo agente sin saturar su ventana de contexto.

Anatomía de una skill

En la práctica, una skill suele estructurarse como una carpeta con un fichero principal de instrucciones y recursos de apoyo:

skills/
  despliegue-liferay/
    SKILL.md
    checklist-produccion.md
    ejemplo-release-notes.md

El fichero SKILL.md contiene una descripción breve de cuándo debe activarse la skill, el procedimiento paso a paso y referencias a los ficheros auxiliares. Esa descripción breve es clave: el agente la lee primero, en pocas líneas, y decide si necesita cargar el resto del contenido. Esto evita el problema habitual de meter treinta páginas de manual en cada llamada al modelo.

Un equipo de agentes que programa. Y una persona al mando.

Asignas una tarea y un equipo de agentes la planifica, la programa y la prueba. Antes de producción la revisan cuatro agentes distintos y una persona.

Ver desarrollo con agentes de IA

Documentar nuestra forma de trabajar: un ejemplo real

Supongamos que queremos que un agente nos ayude a preparar el checklist previo a un despliegue de un portal Liferay DXP a producción. En vez de explicárselo cada vez por chat, lo convertimos en una skill persistente:

# SKILL: Despliegue a producción Liferay

Activar cuando: el usuario pide preparar, revisar o validar
un despliegue a producción de un portal Liferay DXP.

Pasos obligatorios:
1. Verificar que el build de Gradle pasa sin warnings críticos.
2. Confirmar que las configuraciones de `portal-ext.properties`
   del entorno de destino están versionadas.
3. Revisar que los fragmentos y layouts exportados coinciden
   con el LAR de staging.
4. Generar notas de release siguiendo el formato de
   ejemplo-release-notes.md.
5. Avisar si falta alguna migración de base de datos pendiente.

Con esto, cualquier compañero puede pedirle al agente "prepárame el checklist de despliegue" y obtendrá exactamente el procedimiento que seguimos en JULDITEC, no un checklist genérico sacado de la documentación oficial. La skill encapsula el conocimiento tácito del equipo: lo que normalmente solo sabe la persona con más experiencia.

Dónde vive el contexto: n8n, MCP y agentes conectados

Las skills no sirven de mucho si viven aisladas de las herramientas reales. Aquí entra el Model Context Protocol (MCP), el estándar que permite que un agente consulte documentos, bases de datos o APIs externas de forma estructurada, en lugar de depender de lo que copies y pegues en el chat.

En nuestros flujos con n8n, combinamos el nodo AI Agent con un system prompt reducido que apunta a las skills relevantes y con nodos MCP que exponen herramientas concretas: consultar el estado de un ticket en Jira, leer la configuración de un entorno Liferay o lanzar un workflow de despliegue. El agente no necesita memorizar nada de eso: lo pide cuando lo necesita.

JSON
{
  "systemPrompt": "Eres el asistente de operaciones de JULDITEC. Antes de responder sobre despliegues, carga la skill 'despliegue-liferay'. Antes de responder sobre tickets, usa la herramienta MCP 'gitlab-reader'.",
  "tools": ["gitlab-reader", "liferay-config-reader"],
  "skills": ["despliegue-liferay", "informe-auditoria"]
}

Esta separación entre contexto estático (las skills, que cambian poco) y contexto dinámico (lo que el MCP trae en tiempo real) es lo que hace que un agente escale de "chatbot curioso" a "compañero de equipo fiable".

Errores habituales al diseñar skills

El entusiasmo inicial lleva a cometer los mismos fallos una y otra vez:

  • •Sobrecarga de contexto: meter cincuenta páginas en una sola skill. El agente las lee, pero diluye la atención y empieza a ignorar instrucciones concretas.
  • •Duplicación entre skills: dos ficheros que explican lo mismo con matices distintos generan respuestas inconsistentes. Si cambia el proceso, hay que actualizar un único sitio.
  • •Ausencia de versionado: una skill es código de conocimiento y debería vivir en un repositorio Git, con historial de cambios y revisión por pares, igual que cualquier otro artefacto del proyecto.
  • •Instrucciones vagas: "sigue las buenas prácticas de Liferay" no sirve como skill. Una skill útil da pasos verificables y ejemplos concretos.
Caja de herramientas abierta con compartimentos etiquetados

Por dónde empezar si nunca has escrito una skill

No conviertas de golpe todo tu manual interno en skills. Elige un único proceso que repitas con frecuencia y que tenga pasos claros (un checklist de despliegue, una plantilla de propuesta comercial, un formato de code review) y escríbelo como si se lo explicaras a una persona nueva que no sabe nada de vuestra cultura de equipo. Pruébalo con el agente durante una semana, corrige lo que falle y solo entonces añade la siguiente skill. El contexto bien diseñado no se improvisa en un prompt largo: se construye, se versiona y se revisa como cualquier otra pieza de vuestro sistema.

Etiquetas:n8nautomatizaciónmcpcontext engineeringagentes iaprompt engineeringclaude skills

Un equipo de agentes que programa. Y una persona al mando.

Asignas una tarea y un equipo de agentes la planifica, la programa y la prueba. Antes de producción la revisan cuatro agentes distintos y una persona.

Ver desarrollo con agentes de IA