Context editing en la API de Claude: cómo limpiar automáticamente resultados de herramientas antiguos sin perder el hilo de una conversación larga
En un flujo agéntico con mucho uso de herramientas, los resultados antiguos —contenido de archivos, resultados de búsquedas— siguen ocupando espacio de contexto mucho después de que Claude ya los haya procesado. Context editing los limpia en el servidor a
El contexto se llena de cosas que ya no hacen falta
En cualquier flujo de trabajo agéntico con uso intensivo de herramientas —un agente que lee decenas de archivos, hace varias búsquedas web seguidas, o ejecuta comandos uno tras otro— hay un problema silencioso: el resultado de cada llamada a una herramienta se queda en el historial de la conversación para siempre, aunque Claude ya haya extraído de él lo que necesitaba hace diez turnos. El contenido completo de un archivo leído hace rato, o los resultados de una búsqueda ya usada, siguen ocupando espacio de la ventana de contexto sin aportar nada más a partir de ese momento. Context editing es la función de la API de Claude que ataca directamente ese problema: limpia contenido específico del historial de la conversación en el servidor, antes de que el prompt llegue al modelo, sin que haga falta reconstruir manualmente la conversación en el propio código de la aplicación.
Dos estrategias distintas, activables juntas o por separado
La función, en fase beta bajo la cabecera context-management-2025-06-27, ofrece dos estrategias independientes. La primera, clear_tool_uses_20250919, limpia pares de uso y resultado de herramienta cuando el contexto de la conversación supera un umbral configurado: al activarse, la API borra los resultados de herramienta más antiguos por orden cronológico, y los sustituye por un texto de marcador de posición que le indica a Claude que ese resultado fue retirado, en lugar de dejar un hueco sin explicación. Por defecto solo se limpian los resultados, pero se puede configurar también para eliminar los parámetros originales de la llamada a la herramienta activando clear_tool_inputs. La segunda estrategia, clear_thinking_20251015, gestiona los bloques de razonamiento extendido de turnos anteriores cuando el pensamiento extendido está activado, dando la opción de conservar más bloques para mantener la continuidad del razonamiento o de limpiarlos de forma más agresiva para ahorrar espacio.
Conviene distinguir esta función de otra que resuelve un problema parecido de forma distinta: la compactación del lado del servidor, pensada como estrategia principal para la mayoría de conversaciones largas, resume toda la conversación y la sustituye por ese resumen. Context editing, en cambio, está pensado para escenarios donde se necesita un control más fino sobre qué se conserva y qué se descarta, eliminando tipos concretos de contenido —resultados de herramientas, bloques de pensamiento— sin tocar el resto de la conversación.
Un ejemplo real que combina ambas estrategias, y el orden que hay que respetar
Un caso práctico habitual combina las dos estrategias en la misma solicitud: se configura clear_tool_uses_20250919 para que se active en cuanto haya más de dos pares de uso de herramienta en el prompt, conservando solo el más reciente, y clear_thinking_20251015 para gestionar los bloques de pensamiento acumulados. Un detalle técnico que documentan tanto Anthropic como implementaciones de terceros que ya trabajan con esta función: al combinar ambas estrategias en la misma solicitud, la edición de bloques de pensamiento debe figurar en primer lugar en la lista de ediciones, antes que la de limpieza de resultados de herramientas. La respuesta de la API, además, incluye un bloque context_management con el detalle de qué ediciones se aplicaron realmente y cuántos tokens de entrada se liberaron con cada una, lo que permite auditar el efecto real de la limpieza en cada solicitud, no solo confiar en que ocurrió.
Una combinación especialmente útil, mencionada en la propia documentación, es usar context editing junto con la herramienta de memoria: cuando se limpia un resultado de herramienta antiguo, Claude puede seguir accediendo a esa información si antes la había resumido en un archivo de memoria, en lugar de perderla sin más. En un flujo de edición de archivos con muchas operaciones seguidas, por ejemplo, Claude puede ir resumiendo los cambios ya completados en archivos de memoria a medida que el contexto crece, de modo que la limpieza de los resultados de herramienta no significa perder el rastro de lo que ya se hizo, sino trasladarlo a un lugar más eficiente en tokens.
El coste oculto que conviene tener en cuenta: la caché de prompts
Limpiar contenido del historial de una conversación no es gratis en todos los sentidos: invalida el prefijo de caché de prompts correspondiente a la parte del contexto que se acaba de modificar, así que la siguiente solicitud después de una limpieza pierde el beneficio de la caché en ese segmento y hay que reconstruirla desde ahí. Es un compromiso real entre dos formas de ahorrar coste —reducir el tamaño del contexto frente a mantener la caché intacta— que conviene medir con datos reales del propio flujo de trabajo antes de activar la limpieza de forma agresiva en producción. Otro matiz que afecta directamente al resultado práctico de activar clear_thinking_20251015: el comportamiento por defecto de retención de bloques de pensamiento varía según la familia del modelo —Opus 4.5 en adelante conserva todo el pensamiento previo por defecto, mientras que Opus 4.1 y anteriores solo conservan el del último turno—, así que el efecto real de esta estrategia depende de qué modelo esté detrás de la solicitud.
Por qué importa hoy
Para cualquier agente de codificación, herramienta de investigación o flujo de trabajo con muchas llamadas a herramientas encadenadas, context editing ofrece un control más quirúrgico que la compactación genérica: en lugar de resumir toda la conversación, permite decidir con precisión qué tipo de contenido concreto —resultados de archivos ya leídos, búsquedas ya usadas, razonamiento de turnos antiguos— deja de ser necesario y puede descartarse. El primer paso práctico para probarlo es activar clear_tool_uses_20250919 en un flujo agéntico existente con mucho uso de herramientas, revisar el bloque context_management de la respuesta para ver cuántos tokens se liberan en la práctica, y decidir a partir de esos números si compensa frente al coste de perder la caché en ese punto de la conversación.
