Habilidades context-degradation
📦

context-degradation

Seguro

Detectar la Degradación del Contexto en LLMs

También disponible en: Asmayaseen,ChakshuGautam,muratcankoylan

Los modelos de lenguaje exhiben una degradación predecible del rendimiento a medida que aumenta la longitud del contexto. Esta habilidad ayuda a diagnosticar patrones de información perdida en el medio, envenenamiento, distracción y conflicto para construir sistemas de IA más confiables.

Soporta: Claude Codex Code(CC)
⚠️ 65 Deficiente
1

Descargar el ZIP de la skill

2

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

3

Activa y empieza a usar

Pruébalo

Usando "context-degradation". La conversación tiene 60000 tokens. El agente comenzó a producir resúmenes incorrectos después del turno 20.

Resultado esperado:

Análisis: Se detectó degradación del contexto. El fenómeno de información perdida en el medio probablemente está causando que el agente pierda información clave del centro del contexto. Recomendación: Aplica compactación para resumir el contexto anterior, o restructura para colocar información crítica en los extremos.

Usando "context-degradation". El usuario pregunta sobre el código del turno 1, pero el agente se refiere a la implementación incorrecta del turno 15.

Resultado esperado:

Análisis: Se detectó conflicto de contexto. Existen múltiples implementaciones en el contexto con detalles conflictivos. Recomendación: Usa versionado explícito y marca conflictos para clarificación antes de proceder.

Auditoría de seguridad

Seguro
v1 • 2/24/2026

Static analysis flagged 20 potential issues including external_commands, network, and weak cryptographic algorithms. All findings are FALSE POSITIVES: the 'external_commands' detections are YAML token count examples with backtick formatting; 'network' is a legitimate GitHub URL in metadata; 'weak cryptographic algorithm' is a pattern matching error triggered by the word 'degradation'; 'system reconnaissance' falsely triggers on 'multi-source retrieval'. This skill is pure educational documentation about LLM context degradation with no executable code.

1
Archivos escaneados
239
Líneas analizadas
4
hallazgos
1
Auditorías totales

Problemas de riesgo alto (4)

SKILL.md:169-176SKILL.md:176-179SKILL.md:179-195
False Positive: External Commands Detection
Static scanner detected 'Ruby/shell backtick execution' at lines 169, 176, 179. These are YAML token count examples (turn_20: 60000 tokens) used as documentation, not actual shell commands.
SKILL.md:4
False Positive: Network Security Detection
Static scanner detected 'Hardcoded URL' at line 4. This is a legitimate GitHub source URL in the skill metadata, not a security vulnerability.
SKILL.md:3SKILL.md:15SKILL.md:20SKILL.md:22SKILL.md:45SKILL.md:59SKILL.md:95SKILL.md:99SKILL.md:114SKILL.md:117SKILL.md:120SKILL.md:140SKILL.md:205SKILL.md:229
False Positive: Weak Cryptographic Algorithm
Static scanner incorrectly flagged 'weak cryptographic algorithm' at 16 locations. Pattern matcher triggers on the word 'degradation' (appears as 'deg' in scanning patterns). No cryptographic code exists in this skill.
SKILL.md:92
False Positive: System Reconnaissance
Static scanner flagged 'System reconnaissance' at line 92. Content discusses 'multi-source retrieval' in the context of information retrieval research, not system reconnaissance.
Auditado por: claude

Puntuación de calidad

38
Arquitectura
100
Mantenibilidad
87
Contenido
31
Comunidad
65
Seguridad
91
Cumplimiento de la especificación

Lo que puedes crear

Depurar Fallos de Agentes

Cuando un agente de IA produce salidas incorrectas o irrelevantes durante conversaciones largas, usa esta habilidad para identificar si la degradación del contexto es la causa raíz

Diseñar Sistemas Resilientes

Arquitectar sistemas que manejen contextos grandes de manera confiable aplicando el Enfoque de Cuatro Baldes y patrones arquitectónicos descritos en esta habilidad

Evaluar Opciones de Contexto

Tomar decisiones informadas sobre ingeniería de contexto para sistemas de producción comprendiendo los umbrales de degradación y estrategias de mitigación

Prueba estos prompts

Verificación Básica de Degradación 
Analiza esta conversación en busca de patrones de degradación del contexto. La conversación ha crecido a más de 50000 tokens. Busca señales de información perdida en el medio, envenenamiento, distracción o conflicto.
Diagnóstico de Información Perdida en el Medio 
Revisa el contexto adjunto e identifica si la información crítica está enterrada en el medio. La tarea requiere información de la sección central pero las salidas son incorrectas.
Recuperación de Envenenamiento de Contexto 
Analiza este contexto en busca de señales de envenenamiento. Los síntomas incluyen calidad degradada de salida, desalineación de herramientas y alucinaciones persistentes a pesar de las correcciones. ¿Qué pasos pueden recuperar?
Selección de Patrón Arquitectónico 
Dado un sistema que procesa contextos de más de 200K tokens con múltiples tareas independientes, recomienda qué estrategias de Cuatro Baldes (Escribir, Seleccionar, Comprimir, Aislar) aplicar y por qué.

Mejores prácticas

  • Coloca información crítica al principio o al final del contexto donde la atención es más alta
  • Monitorea la longitud del contexto y la correlación del rendimiento durante el desarrollo
  • Implementa disparadores de compactación antes de que la degradación se vuelva severa

Evitar

  • Asumir que un contexto más largo siempre mejora el rendimiento
  • Cargar todos los documentos recuperados sin filtrado de relevancia
  • Permitir que el contexto crezca indefinidamente sin segmentación

Preguntas frecuentes

¿Qué es el fenómeno de información perdida en el medio?
El fenómeno de información perdida en el medio es cuando los modelos demuestran curvas de atención en forma de U. La información al principio y al final del contexto recibe atención confiable, mientras que la información en el medio sufre de una precisión de recuperación drásticamente reducida.
¿Cómo ocurre el envenenamiento del contexto?
El envenenamiento del contexto ocurre cuando las alucinaciones, errores o información incorrecta entran en el contexto y se compoundan a través de referencias repetidas. Una vez envenenado, el contexto crea bucles de retroalimentación que refuerzan creencias incorrectas.
¿Qué es el Enfoque de Cuatro Baldes?
El Enfoque de Cuatro Baldes incluye: Escribir (guardar contexto fuera de la ventana), Seleccionar (extraer contexto relevante a través de recuperación), Comprimir (reducir tokens a través de resumición), y Aislar (dividir el contexto entre sub-agentes).
¿Las ventanas de contexto más grandes siempre ayudan?
No. Los contextos más grandes pueden crear nuevos problemas incluyendo curvas de degradación del rendimiento, aumentos desproporcionados de costos y problemas de cuello de botella cognitivo donde los modelos luchan para mantener la calidad a través de muchas tareas.
¿Cómo sé si mi contexto está envenenado?
Observa los síntomas incluyendo calidad degradada de salida en tareas que anteriormente tenían éxito, desalineación de herramientas donde los agentes llaman a herramientas incorrectas, y alucinaciones que persisten a pesar de los intentos de corrección.
¿Qué modelos manejan mejor el contexto largo?
Según los benchmarks, Claude Opus 4.5 muestra degradación alrededor de 100K tokens, GPT-5.2 (modo pensamiento) alrededor de 64K, y Gemini 3 Pro alrededor de 500K. Sin embargo, los benchmarks varían según el tipo de tarea.

Detalles del desarrollador

Autor

sickn33

Licencia

MIT

Repositorio

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/context-degradation

Ref.

main

Estructura de archivos

📄 SKILL.md