Deriva y Degradación del Prompt del Sistema

1. Visión general del concepto y problema sistémico

Al inicio de una nueva conversación con el agente, todo funciona a la perfección: el modelo sigue claramente las reglas .cursorrules, no añade comentarios innecesarios y escribe código estricto.

Pero tras 2 horas de codificación activa y 25 mensajes, el desarrollador nota algo extraño:

• El agente de repente comienza a escribir código en un estilo diferente.
• Vuelven a aparecer construcciones prohibidas (as any, estilos en línea).
• El modelo empieza a hablar demasiado y se disculpa por cada pequeño error.

Este efecto se llama System Prompt Drift (Deriva del Prompt del Sistema): el alejamiento de las instrucciones iniciales en el espacio de atención del transformador, lo que lleva a una pérdida gradual de control sobre el sistema.

2. Taxonomía arquitectónica y modelo mental

┌─────────────────────────────────────────────────────────────┐
│                 SYSTEM PROMPT ATTENTION DRIFT               │
├─────────────────────────────────────────────────────────────┤
│ INICIO DE SESIÓN (Mensaje 1):                               │
│ [SYSTEM PROMPT] ➔ 90% ATENCIÓN DEL MODELO ➔ Cumplimiento   │
│ [User Turn 1]                                               │
├─────────────────────────────────────────────────────────────┤
│                          │                                  │
│                          ▼ 25 iteraciones de codificación y  │
│                          correcciones                        │
├─────────────────────────────────────────────────────────────┤
│ DESCOMPOSICIÓN DE ATENCIÓN (Mensaje 25):                     │
│ [SYSTEM PROMPT] (Oculto hace 120,000 tokens) ➔ 10% atención │
│ ... 23 mensajes de diálogo con código y registros ...        │
│ [User Turn 25] ➔ 90% ATENCIÓN DEL MODELO                     │
│ ➔ RESULTADO: El modelo olvida las prohibiciones y escribe    │
│ código espagueti                                             │
├─────────────────────────────────────────────────────────────┤
│ SOLUCIÓN: REINYECCIÓN DINÁMICA (Recordatorios antes de cada  │
│ turno)                                                      │
└─────────────────────────────────────────────────────────────┘

3. Pipeline técnico y mecánica interna

01. Gancho de recordatorio automático (Pre-Turn Hook)

En el código de interacción con la API, antes de enviar cada solicitud, se añade un sufijo del sistema oculto:

const payload = [
  ...messages,
  {
    role: "user",
    content: `${userPrompt}\n\n<!-- SYSTEM INVARIANT: Recuerda tipos estrictos, no any, usa tokens de Tailwind -->`
  }
];

Esto devuelve el peso de atención del modelo a las reglas clave justo antes del momento de selección del primer token.

02. Uso de Roles Efímeros en LangGraph

El gráfico de estado reinicia periódicamente el diálogo de trabajo, forma un nuevo prompt del sistema fresco con el estado actual de las variables y continúa trabajando con una atención completamente limpia.

4. Errores comunes, trampas y seguridad

• Over-Injecting (Sobrecarga por repeticiones): Si en cada paso se duplica todo el prompt del sistema de 2000 tokens, esto resultará en costos financieros innecesarios y puede confundir al modelo. Solo se deben repetir 3-5 de las reglas más críticas de manera concisa.
• Deriva de Personaje (Persona Decay): En sistemas de soporte al cliente, un bot bajo la influencia de un usuario enojado puede comenzar a ser grosero o aceptar concesiones desfavorables. La reinyección de reglas de seguridad es crítica para prevenir pérdidas de reputación.

5. Conclusión estratégica para el ingeniero de 2026

El prompt del sistema no actúa eternamente dentro de una sola conversación. Percibir la atención del transformador como un recurso dinámico que se dispersa con el tiempo permite al ingeniero actualizar a tiempo los marcos de navegación y mantener al agente en un estado de 100% de disciplina.