TL;DR: El Context Engineering no se trata solo de pedirle cosas sueltas a una IA, sino de darle el contexto completo de lo que queremos construir. En este experimento comparto cómo lo estoy aplicando, qué herramienta estoy usando (TRAE, el editor de ByteDance), y qué modelos me han funcionado mejor (Claude 3.7 y 4). Además, dejo un pequeño roadmap base para que cualquiera pueda empezar.
Explorando el Context Engineering: Un Experimento Personal
Hoy quiero compartir un experimento que he estado probando y que, la verdad, me tiene bastante emocionado. Se trata de algo que, si no estoy mal, le llaman Context Engineering. Básicamente, es una forma de desarrollar software usando agentes de inteligencia artificial de una manera mucho más estructurada y profunda. No es solo decirle a una IA “hazme un tetris” o una tarea sencilla, sino darle un roadmap completo de un proyecto. Diagramas, tableros de control, repositorios y documentos de apoyo.
¿Qué es exactamente el Context Engineering?
En pocas palabras, es darle a un agente de IA un mapa de todo el proyecto de software que se va a desarrollar. Por ejemplo, le dices: “vamos a hacer un e-commerce con Astro, React, Svelte, conectarnos a una API, usar GitHub o GitLab, y tener testing con pre-commit.” Es decir, ya no se trata solo de instrucciones sueltas, sino de darle al agente una historia completa de lo que queremos construir.
Las Herramientas
TRAE y Quién está detrás
Para hacerlo más interesante, existe un editor de código que es un fork de Visual Studio Code, llamado TRAE. Este editor fue desarrollado por ByteDance, la misma empresa detrás de TikTok, lo cual le da un respaldo interesante dentro del ecosistema de desarrollo con IA.
Visual Studio Code (Mi favorito)
No debería decirlo, pero he exprimido las capacidades de VSCode, recibiendo con emoción cada actualización como la recuperación de código en puntos de control y la forma tan intuitiva de agregar recursos al contexto incluyendo mi roadmap y cualquier documento adicional que ayude a asegurar la ejecución de mi proyecto.
Probando Diferentes Modelos
He estado experimentando con varios modelos de IA como Gemini 2.5, GPT-5, GPT-4o, y especialmente con Claude Sonnet 3.7 y Claude Sonnet 4. Y la verdad, de todos los que he probado, los que más sentido tienen y generan código ejecutable de calidad son Claude 3.7 y Claude 4. No he tenido chance de probar Grok 4, pero en teoría debería ser muy bueno también.
Lo que me funciona
Cuando hablamos de un roadmap, tampoco puedo dejarlos sólo con la idea, les quiero proveer de un recurso que a mí me ha funcionado y creo que podria ayudarles a empezar en este mundo del Context Engineering.
# Roadmap de desarrollo — Aplicación (Nombre de tu aplicación)
> Describe brevemente el problema a resolver y cómo la aplicación abordará dicha problemática.
---
## 0. Kick-off & Gestión
1. Reunión de arranque
- Definir el público objetivo.
- Afinar alcance, flujos de usuario y entregables.
- Entregable: Acta + arquitectura de alto nivel.
2. Selección de metodología ágil
- Elegir entre Kanban o Scrum híbrido.
- Definir sprints, rituales y Definition of Done.
- Entregable: Tablero de proyecto inicializado.
---
## 1. Preparación del Entorno
1. Instalación y verificación de herramientas base (ej. Node.js, Python, Docker, Git).
2. Inicialización del repositorio (monorepo o estructurado).
3. Archivos esenciales: `.gitignore`, configuración de código, pre-commits.
4. Configuración de CI (ej. GitHub Actions, GitLab CI).
---
## 2. Backend — API y Servicios Base
1. Estructura del proyecto base (Flask, FastAPI, Express, etc.).
2. Endpoints de salud, autenticación y recursos clave.
3. Definición de esquemas y validaciones.
4. Servicios básicos (CRUD, carga de archivos, validaciones).
5. Pruebas unitarias e integración.
6. Documentación automática (OpenAPI, Swagger).
---
## 3. Procesamiento Asíncrono / Motor Interno
1. Integración de jobs asíncronos (ej. Celery, worker pools, cron jobs).
2. Servicios especializados (scraping, análisis, simulación, etc.).
3. Almacenamiento de resultados e historial.
---
## 4. Frontend — Interfaz de Usuario
1. Estructura base (Next.js, React, SvelteKit…).
2. Diseño de flujos de usuario clave (vistas, dashboards, formularios).
3. Consumo de API y gestión de estado global.
4. Multilenguaje y accesibilidad.
---
## 5. Motor de Lógica / IA (si aplica)
1. Integración de modelos o reglas de negocio.
2. Entrenamiento / configuración local.
3. Informes automáticos o resultados exportables.
4. Pruebas unitarias y cobertura.
---
## 6. Empaquetado & DevOps
1. Dockerización de servicios.
2. `docker-compose` para entornos locales.
3. Scripts de automatización (Makefile, npm scripts).
---
## 7. Documentación & QA
1. Documentación para desarrolladores y usuarios.
2. Pruebas automáticas (unitarias, E2E, integración).
3. Casos de uso de ejemplo.
---
## 8. Publicación / Release
1. Versionado (SemVer).
2. Generación de artefactos o paquetes instalables.
3. Entorno de staging o demo funcional.
---
## 9. Mantenimiento & Iteraciones Futuras
- Backlog inicial de mejoras.
- Ideas para nuevas funcionalidades o integraciones.
Invitación a Explorar
Así que, si alguien quiere probar este enfoque de desarrollo, pueden contactarnos a través del botón de Quiero enterarme en el blog. Les responderemos con mucho gusto para darles más detalles.
Obrian HC
Innovation Chief Officer
Investigo y pruebo todos los días las nuevas tecnologías, veo como aplicarlas en Autómata y como beneficiaría a nuestros clientes.
Explora más o contáctanos
¿Listo para aplicar estas ideas? Escríbenos y diseñamos un piloto de automatización o inteligencia con impacto medible.