{"schemaVersion":1,"id":"https://lucioduran.com/es/projects/agent-context-budget","url":"https://lucioduran.com/es/projects/agent-context-budget","title":"Agent Context Budget","description":"Compara la entrada de ventana completa, el truncamiento, la selección y la compresión extractiva, y mide la pérdida de evidencia por separado de la calidad de las respuestas.","language":"es","datePublished":"2026-11-09","dateModified":"2026-11-09","contentFormat":"text/markdown","content":"[Proyectos](<https://lucioduran.com/es/projects>) / Agent Context Budget\n\n# Agent Context Budget\n\nCompara la entrada de ventana completa, el truncamiento, la selección y la compresión extractiva, y mide la pérdida de evidencia por separado de la calidad de las respuestas.\n\nAutor: [Lucio Durán](<https://lucioduran.com/es>) · Python 3.11.13 · Licencia: [MIT](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/LICENSE>)\n\nFicha publicada: 2026-11-09 · Ficha actualizada: 2026-11-09\n\n[Repositorio](<https://github.com/lucioduran/agent-context-budget>) · [Evidencia original](<https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/results/evaluation.json>) · [Release v0.1.1](<https://github.com/lucioduran/agent-context-budget/releases/tag/v0.1.1>)\n\n## Problema y utilidad para agentes\n\nUn registro comprimido puede conservar el identificador de una cita y perder la oración que sustenta su respuesta. El ahorro de tokens por sí solo no demuestra que el contexto sea útil.\n\nLas tareas congeladas con datos tardíos y contradictorios muestran qué políticas pierden evidencia decisiva y si un modelo local pequeño aprovecha lo que queda.\n\n## Arquitectura\n\n1. **Congelar el experimento.** Las doce tareas ficticias originales y el protocolo de evaluación se guardaron en un commit antes de la inferencia.\n2. **Aplicar presupuestos exactos de tokens.** Un tokenizador fijado contabiliza el costo adicional del prompt en la entrada cronológica, el truncamiento que conserva el prefijo, la selección de registros y la extracción de oraciones.\n3. **Conservar las decisiones originales.** Los prompts, fragmentos, identificadores de fuentes, respuestas, trazas de tokens y observaciones de recursos permiten una reproducción determinista.\n\n- [Diseño y límites de confianza](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/design.md>)\n- [Protocolo de evaluación congelado](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/protocol.md>)\n\n## Qué demuestra\n\n- Puntuación separada de la evidencia conservada, los identificadores de citas conservados, las citas generadas y las respuestas exactas.\n- Pruebas explícitas que desactivan la preferencia por datos recientes o restringen la compresión a la primera oración.\n- Inferencia real en CPU con una revisión fijada de FLAN-T5-small y fallos registrados.\n\n## Resultados publicados\n\nUna ejecución local en CPU Xeon realizó 132 llamadas al modelo con once configuraciones y dos hilos de CPU de PyTorch.\n\nCada configuración evalúa las mismas doce tareas. Los prompts originales contienen entre 142 y 418 tokens; ninguno supera el límite de entrada de 512 tokens del modelo. La evidencia seleccionada y las respuestas generadas se puntúan por separado.\n\n### Evaluación de políticas de contexto\n\n| Política y presupuesto de tokens | Respuestas exactas | Evidencia conservada | Identificadores de citas conservados | Promedio de tokens de entrada |\n| --- | --- | --- | --- | --- |\n| full:512 | 10/12 | 1.000 | 1.000 | 280.4 |\n| head:128 | 0/12 | 0.000 | 0.000 | 128.0 |\n| head:256 | 5/12 | 0.500 | 0.500 | 205.2 |\n| select:128 | 6/12 | 1.000 | 1.000 | 111.4 |\n| select:256 | 3/12 | 1.000 | 1.000 | 195.9 |\n| compress:128 | 1/12 | 1.000 | 1.000 | 106.4 |\n| compress:256 | 2/12 | 1.000 | 1.000 | 141.4 |\n| select\\_no\\_recency:128 | 6/12 | 1.000 | 1.000 | 112.4 |\n| select\\_no\\_recency:256 | 4/12 | 1.000 | 1.000 | 196.4 |\n| compress\\_first:128 | 2/12 | 0.667 | 1.000 | 111.7 |\n| compress\\_first:256 | 3/12 | 0.667 | 1.000 | 157.2 |\n\nTodas las configuraciones produjeron cero citas correctas en la salida y cero coincidencias exactas fundamentadas. La compresión de la primera oración perdió cuatro correcciones, aunque conservó sus identificadores de cita. Conservar la evidencia no garantizó que el modelo la usara correctamente.\n\n## Reproducir\n\nLa reproducción portable requiere Python 3.11 o posterior y ningún paquete de modelos en tiempo de ejecución. La inferencia usa el entorno fijado de Intel macOS con Python 3.11.13, PyTorch 2.2.2 y Transformers 4.46.3.\n\nEjecutá las mediciones en una carpeta de salida nueva y los trabajos pesados de a uno. Dentro de la serie original de proyectos, usá el ejecutor compartido benchmark\\_lock.py. Los comandos siguientes usan sintaxis de shell POSIX.\n\n### Verificar la evidencia guardada\n\n```\ngit clone https://github.com/lucioduran/agent-context-budget.git\ncd agent-context-budget\ngit checkout 72d150669a9fa4ab85496b4b62440ce95a9be7fe\npython -m context_budget verify results/evaluation.json\n```\n\n### Repetir el experimento local\n\n```\npython3.11 -m venv .venv\n. .venv/bin/activate\npython -m pip install -r requirements-local.lock\npython scripts/download_model.py\npython -m context_budget evaluate --model-path .cache/model --output build/new-run.json\npython -m context_budget verify build/new-run.json\n```\n\n## Alcance y límites\n\n- Las pequeñas tareas sintéticas conocidas por el autor, un solo modelo y una observación por celda no demuestran calidad en producción ni un orden estable de latencias.\n- La compresión es extractiva, no un resumen aprendido. La selección usa coincidencia léxica y puede introducir ambigüedad cronológica después de ordenar los registros.\n- La implementación prueba el manejo del desbordamiento, pero la ejecución registrada no mide prompts más largos que la ventana declarada del modelo.\n- La reproducción confía en la tokenización registrada y comprueba consistencia, no autenticidad de la inferencia. No se midieron la energía ni los costos de hardware; no se usó ninguna API paga.\n\n- [Artículo de arquitectura relacionado](<https://lucioduran.com/es/blog/agentic-ai-architecture-patterns>)\n\n## Fuentes y revisión\n\nEl informe original identifica la revisión de implementación, la fecha y los hashes de fuentes, tareas y modelo. La documentación de la release se distingue de la ejecución registrada.\n\n- Revisión consultada: [` 72d150669a9fa4ab85496b4b62440ce95a9be7fe `](<https://github.com/lucioduran/agent-context-budget/commit/72d150669a9fa4ab85496b4b62440ce95a9be7fe>)\n- Revisión registrada por el experimento: [` 4b38a6150b152758f99e4a12002d9b7e03a5d057 `](<https://github.com/lucioduran/agent-context-budget/commit/4b38a6150b152758f99e4a12002d9b7e03a5d057>)\n- Fecha del informe (UTC): 2026-11-09T18:43:55.650481+00:00\n- Release publicada: [v0.1.1](<https://github.com/lucioduran/agent-context-budget/releases/tag/v0.1.1>) · 2026-11-09T18:54:01Z\n\n- [README y uso](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/README.md>)\n- [Evidencia original](<https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/results/evaluation.json>)\n- [Licencia MIT](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/LICENSE>)\n- [Diseño y límites de confianza](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/design.md>)\n- [Resumen de resultados](<https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/results/summary.json>)\n- [Protocolo de evaluación congelado](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/protocol.md>)\n- [Análisis de fallos](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/error-analysis.md>)\n- [Revisión y licencia del modelo](<https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/data/model.json>)","headings":[{"level":1,"text":"Agent Context Budget","url":"https://lucioduran.com/es/projects/agent-context-budget#title"},{"level":2,"text":"Problema y utilidad para agentes","url":"https://lucioduran.com/es/projects/agent-context-budget#problem"},{"level":2,"text":"Arquitectura","url":"https://lucioduran.com/es/projects/agent-context-budget#architecture"},{"level":2,"text":"Qué demuestra","url":"https://lucioduran.com/es/projects/agent-context-budget#demonstrates"},{"level":2,"text":"Resultados publicados","url":"https://lucioduran.com/es/projects/agent-context-budget#results"},{"level":3,"text":"Evaluación de políticas de contexto","url":"https://lucioduran.com/es/projects/agent-context-budget#results-Context%20policy%20evaluation"},{"level":2,"text":"Reproducir","url":"https://lucioduran.com/es/projects/agent-context-budget#reproduce"},{"level":3,"text":"Verificar la evidencia guardada","url":"https://lucioduran.com/es/projects/agent-context-budget#reproduce-replay"},{"level":3,"text":"Repetir el experimento local","url":"https://lucioduran.com/es/projects/agent-context-budget#reproduce-experiment"},{"level":2,"text":"Alcance y límites","url":"https://lucioduran.com/es/projects/agent-context-budget#scope"},{"level":2,"text":"Fuentes y revisión","url":"https://lucioduran.com/es/projects/agent-context-budget#sources"}],"sections":[{"heading":"Agent Context Budget","level":1,"url":"https://lucioduran.com/es/projects/agent-context-budget","content":"[Proyectos](<https://lucioduran.com/es/projects>) / Agent Context Budget"},{"heading":"Agent Context Budget","level":1,"url":"https://lucioduran.com/es/projects/agent-context-budget#title","content":"Compara la entrada de ventana completa, el truncamiento, la selección y la compresión extractiva, y mide la pérdida de evidencia por separado de la calidad de las respuestas.\n\nAutor: [Lucio Durán](<https://lucioduran.com/es>) · Python 3.11.13 · Licencia: [MIT](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/LICENSE>)\n\nFicha publicada: 2026-11-09 · Ficha actualizada: 2026-11-09\n\n[Repositorio](<https://github.com/lucioduran/agent-context-budget>) · [Evidencia original](<https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/results/evaluation.json>) · [Release v0.1.1](<https://github.com/lucioduran/agent-context-budget/releases/tag/v0.1.1>)"},{"heading":"Problema y utilidad para agentes","level":2,"url":"https://lucioduran.com/es/projects/agent-context-budget#problem","content":"Un registro comprimido puede conservar el identificador de una cita y perder la oración que sustenta su respuesta. El ahorro de tokens por sí solo no demuestra que el contexto sea útil.\n\nLas tareas congeladas con datos tardíos y contradictorios muestran qué políticas pierden evidencia decisiva y si un modelo local pequeño aprovecha lo que queda."},{"heading":"Arquitectura","level":2,"url":"https://lucioduran.com/es/projects/agent-context-budget#architecture","content":"1. **Congelar el experimento.** Las doce tareas ficticias originales y el protocolo de evaluación se guardaron en un commit antes de la inferencia.\n2. **Aplicar presupuestos exactos de tokens.** Un tokenizador fijado contabiliza el costo adicional del prompt en la entrada cronológica, el truncamiento que conserva el prefijo, la selección de registros y la extracción de oraciones.\n3. **Conservar las decisiones originales.** Los prompts, fragmentos, identificadores de fuentes, respuestas, trazas de tokens y observaciones de recursos permiten una reproducción determinista.\n\n- [Diseño y límites de confianza](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/design.md>)\n- [Protocolo de evaluación congelado](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/protocol.md>)"},{"heading":"Qué demuestra","level":2,"url":"https://lucioduran.com/es/projects/agent-context-budget#demonstrates","content":"- Puntuación separada de la evidencia conservada, los identificadores de citas conservados, las citas generadas y las respuestas exactas.\n- Pruebas explícitas que desactivan la preferencia por datos recientes o restringen la compresión a la primera oración.\n- Inferencia real en CPU con una revisión fijada de FLAN-T5-small y fallos registrados."},{"heading":"Resultados publicados","level":2,"url":"https://lucioduran.com/es/projects/agent-context-budget#results","content":"Una ejecución local en CPU Xeon realizó 132 llamadas al modelo con once configuraciones y dos hilos de CPU de PyTorch.\n\nCada configuración evalúa las mismas doce tareas. Los prompts originales contienen entre 142 y 418 tokens; ninguno supera el límite de entrada de 512 tokens del modelo. La evidencia seleccionada y las respuestas generadas se puntúan por separado."},{"heading":"Evaluación de políticas de contexto","level":3,"url":"https://lucioduran.com/es/projects/agent-context-budget#results-Context%20policy%20evaluation","content":"| Política y presupuesto de tokens | Respuestas exactas | Evidencia conservada | Identificadores de citas conservados | Promedio de tokens de entrada |\n| --- | --- | --- | --- | --- |\n| full:512 | 10/12 | 1.000 | 1.000 | 280.4 |\n| head:128 | 0/12 | 0.000 | 0.000 | 128.0 |\n| head:256 | 5/12 | 0.500 | 0.500 | 205.2 |\n| select:128 | 6/12 | 1.000 | 1.000 | 111.4 |\n| select:256 | 3/12 | 1.000 | 1.000 | 195.9 |\n| compress:128 | 1/12 | 1.000 | 1.000 | 106.4 |\n| compress:256 | 2/12 | 1.000 | 1.000 | 141.4 |\n| select\\_no\\_recency:128 | 6/12 | 1.000 | 1.000 | 112.4 |\n| select\\_no\\_recency:256 | 4/12 | 1.000 | 1.000 | 196.4 |\n| compress\\_first:128 | 2/12 | 0.667 | 1.000 | 111.7 |\n| compress\\_first:256 | 3/12 | 0.667 | 1.000 | 157.2 |\n\nTodas las configuraciones produjeron cero citas correctas en la salida y cero coincidencias exactas fundamentadas. La compresión de la primera oración perdió cuatro correcciones, aunque conservó sus identificadores de cita. Conservar la evidencia no garantizó que el modelo la usara correctamente."},{"heading":"Reproducir","level":2,"url":"https://lucioduran.com/es/projects/agent-context-budget#reproduce","content":"La reproducción portable requiere Python 3.11 o posterior y ningún paquete de modelos en tiempo de ejecución. La inferencia usa el entorno fijado de Intel macOS con Python 3.11.13, PyTorch 2.2.2 y Transformers 4.46.3.\n\nEjecutá las mediciones en una carpeta de salida nueva y los trabajos pesados de a uno. Dentro de la serie original de proyectos, usá el ejecutor compartido benchmark\\_lock.py. Los comandos siguientes usan sintaxis de shell POSIX."},{"heading":"Verificar la evidencia guardada","level":3,"url":"https://lucioduran.com/es/projects/agent-context-budget#reproduce-replay","content":"```\ngit clone https://github.com/lucioduran/agent-context-budget.git\ncd agent-context-budget\ngit checkout 72d150669a9fa4ab85496b4b62440ce95a9be7fe\npython -m context_budget verify results/evaluation.json\n```"},{"heading":"Repetir el experimento local","level":3,"url":"https://lucioduran.com/es/projects/agent-context-budget#reproduce-experiment","content":"```\npython3.11 -m venv .venv\n. .venv/bin/activate\npython -m pip install -r requirements-local.lock\npython scripts/download_model.py\npython -m context_budget evaluate --model-path .cache/model --output build/new-run.json\npython -m context_budget verify build/new-run.json\n```"},{"heading":"Alcance y límites","level":2,"url":"https://lucioduran.com/es/projects/agent-context-budget#scope","content":"- Las pequeñas tareas sintéticas conocidas por el autor, un solo modelo y una observación por celda no demuestran calidad en producción ni un orden estable de latencias.\n- La compresión es extractiva, no un resumen aprendido. La selección usa coincidencia léxica y puede introducir ambigüedad cronológica después de ordenar los registros.\n- La implementación prueba el manejo del desbordamiento, pero la ejecución registrada no mide prompts más largos que la ventana declarada del modelo.\n- La reproducción confía en la tokenización registrada y comprueba consistencia, no autenticidad de la inferencia. No se midieron la energía ni los costos de hardware; no se usó ninguna API paga.\n\n- [Artículo de arquitectura relacionado](<https://lucioduran.com/es/blog/agentic-ai-architecture-patterns>)"},{"heading":"Fuentes y revisión","level":2,"url":"https://lucioduran.com/es/projects/agent-context-budget#sources","content":"El informe original identifica la revisión de implementación, la fecha y los hashes de fuentes, tareas y modelo. La documentación de la release se distingue de la ejecución registrada.\n\n- Revisión consultada: [` 72d150669a9fa4ab85496b4b62440ce95a9be7fe `](<https://github.com/lucioduran/agent-context-budget/commit/72d150669a9fa4ab85496b4b62440ce95a9be7fe>)\n- Revisión registrada por el experimento: [` 4b38a6150b152758f99e4a12002d9b7e03a5d057 `](<https://github.com/lucioduran/agent-context-budget/commit/4b38a6150b152758f99e4a12002d9b7e03a5d057>)\n- Fecha del informe (UTC): 2026-11-09T18:43:55.650481+00:00\n- Release publicada: [v0.1.1](<https://github.com/lucioduran/agent-context-budget/releases/tag/v0.1.1>) · 2026-11-09T18:54:01Z\n\n- [README y uso](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/README.md>)\n- [Evidencia original](<https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/results/evaluation.json>)\n- [Licencia MIT](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/LICENSE>)\n- [Diseño y límites de confianza](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/design.md>)\n- [Resumen de resultados](<https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/results/summary.json>)\n- [Protocolo de evaluación congelado](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/protocol.md>)\n- [Análisis de fallos](<https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/error-analysis.md>)\n- [Revisión y licencia del modelo](<https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/data/model.json>)"}],"links":[{"text":"Proyectos","url":"https://lucioduran.com/es/projects"},{"text":"Lucio Durán","url":"https://lucioduran.com/es"},{"text":"MIT","url":"https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/LICENSE"},{"text":"Repositorio","url":"https://github.com/lucioduran/agent-context-budget"},{"text":"Evidencia original","url":"https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/results/evaluation.json"},{"text":"Release v0.1.1","url":"https://github.com/lucioduran/agent-context-budget/releases/tag/v0.1.1"},{"text":"Diseño y límites de confianza","url":"https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/design.md"},{"text":"Protocolo de evaluación congelado","url":"https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/protocol.md"},{"text":"Resumen de resultados","url":"https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/results/summary.json"},{"text":"Artículo de arquitectura relacionado","url":"https://lucioduran.com/es/blog/agentic-ai-architecture-patterns"},{"text":"72d150669a9fa4ab85496b4b62440ce95a9be7fe","url":"https://github.com/lucioduran/agent-context-budget/commit/72d150669a9fa4ab85496b4b62440ce95a9be7fe"},{"text":"4b38a6150b152758f99e4a12002d9b7e03a5d057","url":"https://github.com/lucioduran/agent-context-budget/commit/4b38a6150b152758f99e4a12002d9b7e03a5d057"},{"text":"v0.1.1","url":"https://github.com/lucioduran/agent-context-budget/releases/tag/v0.1.1"},{"text":"README y uso","url":"https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/README.md"},{"text":"Licencia MIT","url":"https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/LICENSE"},{"text":"Análisis de fallos","url":"https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/error-analysis.md"},{"text":"Revisión y licencia del modelo","url":"https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/data/model.json"}],"structuredData":[{"@context":"https://schema.org","@graph":[{"@type":"Person","@id":"https://lucioduran.com/#person","name":"Lucio Durán","url":"https://lucioduran.com/"},{"@type":"WebSite","@id":"https://lucioduran.com/#website","url":"https://lucioduran.com/","name":"Lucio Durán","inLanguage":["en","es"],"publisher":{"@id":"https://lucioduran.com/#person"}},{"@type":"WebPage","@id":"https://lucioduran.com/es/projects/agent-context-budget#page","url":"https://lucioduran.com/es/projects/agent-context-budget","name":"Agent Context Budget","description":"Compara la entrada de ventana completa, el truncamiento, la selección y la compresión extractiva, y mide la pérdida de evidencia por separado de la calidad de las respuestas.","inLanguage":"es","author":{"@id":"https://lucioduran.com/#person"},"publisher":{"@id":"https://lucioduran.com/#person"},"isPartOf":{"@id":"https://lucioduran.com/#website"},"isAccessibleForFree":true,"mainEntity":{"@id":"https://lucioduran.com/projects/agent-context-budget#software"},"datePublished":"2026-11-09","dateModified":"2026-11-09","breadcrumb":{"@id":"https://lucioduran.com/es/projects/agent-context-budget#breadcrumb"}},{"@type":"SoftwareSourceCode","@id":"https://lucioduran.com/projects/agent-context-budget#software","name":"Agent Context Budget","description":"Compara la entrada de ventana completa, el truncamiento, la selección y la compresión extractiva, y mide la pérdida de evidencia por separado de la calidad de las respuestas.","inLanguage":"es","url":"https://lucioduran.com/es/projects/agent-context-budget","codeRepository":"https://github.com/lucioduran/agent-context-budget","programmingLanguage":"Python","runtimePlatform":"Python 3.11.13","license":"https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/LICENSE","version":"v0.1.1","identifier":{"@type":"PropertyValue","propertyID":"git-commit","value":"72d150669a9fa4ab85496b4b62440ce95a9be7fe"},"author":{"@type":"Person","@id":"https://lucioduran.com/#person","name":"Lucio Durán","url":"https://lucioduran.com"},"isAccessibleForFree":true,"citation":["https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/README.md","https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/results/evaluation.json","https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/design.md","https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/results/summary.json","https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/protocol.md","https://github.com/lucioduran/agent-context-budget/blob/72d150669a9fa4ab85496b4b62440ce95a9be7fe/docs/error-analysis.md","https://raw.githubusercontent.com/lucioduran/agent-context-budget/72d150669a9fa4ab85496b4b62440ce95a9be7fe/data/model.json","https://github.com/lucioduran/agent-context-budget/releases/tag/v0.1.1"],"publisher":{"@id":"https://lucioduran.com/#person"},"mainEntityOfPage":{"@id":"https://lucioduran.com/es/projects/agent-context-budget#page"}},{"@type":"BreadcrumbList","itemListElement":[{"@type":"ListItem","position":1,"name":"Proyectos","item":"https://lucioduran.com/es/projects"},{"@type":"ListItem","position":2,"name":"Agent Context Budget","item":"https://lucioduran.com/es/projects/agent-context-budget"}],"@id":"https://lucioduran.com/es/projects/agent-context-budget#breadcrumb"}]}],"contentHash":"9ba890258df148db11e441a47043d19dcfb3f7c72ef33bb102e8c2c145581988","provenance":{"method":"Deterministic serialization of the server-rendered main element","source":"https://lucioduran.com/es/projects/agent-context-budget","hashAlgorithm":"sha256","hashScope":"JSON document fields before contentHash and provenance","sourceHTMLBytes":47130,"contentBytes":7822}}