La creciente adopción de sistemas que integran modelos de lenguaje extenso en ciclos de interacción más complejos ha puesto de manifiesto la necesidad de estandarizar la forma en que se define el contexto que recibe cada invocación del modelo. En entornos donde un agente IA debe realizar múltiples pasos, combinando instrucciones, resultados de acciones previas y datos del entorno, la estructura de ese mensaje inicial se vuelve crítica para el rendimiento del sistema. Hasta ahora, describir cómo se compone y evoluciona ese contexto solía hacerse mediante explicaciones informales o inspección directa del código, lo que dificulta la comparación entre distintas estrategias. Frente a esto, ha surgido una propuesta que define un lenguaje formal para especificar la arquitectura de los mensajes que recibe un modelo de lenguaje, indicando no solo su contenido estático sino también su dinámica temporal, referencias a momentos anteriores y condiciones de repetición. Este enfoque permite representar de manera precisa y legible la lógica detrás de la llamada ingeniería de contexto, facilitando la comunicación entre equipos de desarrollo y la documentación técnica. En el ámbito profesional, contar con una notación común resulta especialmente valioso cuando se construyen sistemas que integran aplicaciones a medida con capacidades de inteligencia artificial, ya que reduce la ambigüedad y acelera la revisión entre colegas. Las empresas que ofrecen servicios cloud aws y azure también se benefician de este tipo de estandarización, pues los agentes desplegados en la nube requieren un seguimiento riguroso de cómo se construye cada petición. Además, en proyectos de servicios inteligencia de negocio, donde se utilizan herramientas como power bi para visualizar datos procesados por modelos de lenguaje, la claridad en la definición de los contextos ayuda a mantener la trazabilidad de las decisiones. La ciberseguridad es otro ámbito donde la precisión en la descripción de los mensajes puede prevenir filtraciones de información o comportamientos no deseados del agente. En Q2BSTUDIO, entendemos que la implementación de ia para empresas debe ir acompañada de metodologías que garanticen transparencia y repetibilidad, por lo que apoyamos iniciativas que buscan formalizar aspectos clave del desarrollo de agentes. Adoptar un lenguaje de descripción de contextos no solo mejora la documentación, sino que también sienta las bases para herramientas de análisis y depuración más avanzadas, facilitando la integración con software a medida que requiera interacciones complejas entre modelos y sistemas externos.