22 Preguntas de Práctica de Gestión de contexto y fiabilidad con Respuestas

1. 1. Un agente de soporte interno llama a una API de tickets doce veces por sesión. Cada respuesta trae más de cuarenta campos, de los cuales el agente usa cinco, y en el octavo turno las solicitudes fallan porque la ventana de contexto está llena. ¿Cuál es la corrección más eficaz?

   • A.Añadir una instrucción de sistema que pida al modelo omitir los campos que no necesita al leer un resultado.
   • B.Trasladar las llamadas de tickets a un subagente que reciba las mismas cargas completas y las pase al coordinador.
   • C.Reformar la respuesta de cada herramienta en la capa de integración para que solo lleguen los campos definidos.✓ Respuesta
   • D.Comprimir la conversación cuando aparezca presión de contexto para resumir en prosa los resultados anteriores.

   La API de mensajes no tiene estado, así que todo el historial se reenvía en cada solicitud: los campos inútiles del primer turno se siguen pagando en el octavo. Recortar cada herramienta a una forma de respuesta definida en la capa de integración elimina ese coste antes de que el resultado entre en contexto; las instrucciones, el resumen posterior y el subagente siguen pagando la carga completa al menos una vez.

   Ref. QB-YUSCSEFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5, TS 5.1 (tool-result trimming at the integration layer)Reportar un problema con esta pregunta

2. 2. Un agente de investigación funciona bien en sus primeras llamadas a herramientas y luego empieza a devolver respuestas vagas y genéricas sin errores en los registros. El equipo propone cambiar de modelo. ¿Cuál es el mejor primer paso?

   • A.Llevar la carga a un modelo anunciado con una ventana mayor y repetir la misma sesión para comparar las salidas.
   • B.Bajar la temperatura de muestreo para que una cadena larga de llamadas dé respuestas finales más firmes y concretas.
   • C.Comparar el uso de tokens de entrada que la API informa a lo largo de la ejecución para ver si la ventana se llena.✓ Respuesta
   • D.Subir el límite de tokens de salida en cada solicitud para que el modelo pueda terminar la respuesta que se cortó.

   Una degradación que aparece solo al final de una ejecución larga es la firma del agotamiento de contexto, un problema de recursos, no de capacidad del modelo. Las cifras de uso vuelven con cada respuesta, así que el crecimiento de los tokens de entrada se mide en lugar de suponerse; cambiar de modelo, de límite de salida o de temperatura no toca la causa real.

   Ref. QB-FCM77EFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5 (context window as a finite resource; usage reporting)Reportar un problema con esta pregunta

3. 3. Un equipo coloca un documento de políticas grande y estable en el prompt de sistema y activa el almacenamiento en caché, pero casi toda solicitud se factura como lectura sin caché. La primera línea del prompt de sistema imprime la marca de tiempo actual. ¿Por qué nunca hay acierto de caché?

   • A.La caché exige un prefijo idéntico byte a byte: una marca de tiempo en la primera línea lo cambia y anula lo posterior.✓ Respuesta
   • B.La caché se rechaza para cualquier bloque de sistema por encima de cierto tamaño, y el documento excede una sola entrada.
   • C.La caché exige que el bloque de sistema se renderice antes que las herramientas, y la marca de tiempo invierte ese orden.
   • D.La caché solo cubre el último mensaje de usuario de la solicitud, así que el prompt de sistema nunca puede reutilizarse.

   El almacenamiento en caché de prompts es una coincidencia de prefijo: la reutilización empieza al inicio de la solicitud renderizada y termina en el primer byte que difiere. Una marca de tiempo por solicitud al frente hace que dos peticiones no compartan prefijo alguno, así que toda la región en caché se invalida en cada llamada.

   Ref. QB-XUE2MDFuente: Anthropic docs — Prompt caching: cached content is matched as an exact prefix of the rendered requestReportar un problema con esta pregunta

4. 4. Un asistente envía las mismas definiciones de herramientas y el mismo prompt de sistema en cada solicitud, más un bloque de perfil que cambia con cada usuario. Dado que la solicitud se renderiza como herramientas, luego sistema y luego mensajes, ¿dónde debe ir el perfil para el mejor comportamiento de caché?

   • A.Al inicio del prompt de sistema, para que el modelo sepa a quién atiende antes de leer sus instrucciones fijas.
   • B.Dentro de cada descripción de herramienta, para que el enrutamiento pondere los permisos del usuario al elegir.
   • C.En una copia del listado de herramientas por usuario, para que cada uno tenga un prefijo estable a lo largo del tiempo.
   • D.En los mensajes, tras los bloques estables de herramientas y sistema, para que el prefijo compartido siga idéntico.✓ Respuesta

   Como la caché coincide por prefijo y el orden de renderizado es herramientas, sistema y mensajes, lo estable va lo antes posible y lo volátil lo más tarde posible. Poner el bloque por usuario en los mensajes deja reutilizables las herramientas y el sistema; ponerlo en el sistema o en las herramientas adelanta el primer byte distinto y destruye la reutilización.

   Ref. QB-JCP7QHFuente: Anthropic docs — Prompt caching: request render order (tools, system, messages) and placement of volatile contentReportar un problema con esta pregunta

5. 5. Una pasarela construye su arreglo de herramientas recorriendo un mapa hash, así que el orden de las definiciones varía entre procesos. La tasa de aciertos de caché es errática entre solicitudes por lo demás idénticas. ¿Cuál es la corrección?

   • A.Emitir las definiciones en un orden fijo y determinista, porque el bloque de herramientas se renderiza primero y reordenarlo rompe el prefijo.✓ Respuesta
   • B.Reintentar cada solicitud una vez cuando se observe un fallo, ya que el segundo intento reutilizará lo que escribió el primero.
   • C.Añadir más puntos de corte de caché más abajo en el prompt para que un bloque de herramientas reordenado siga coincidiendo desde ahí.
   • D.Mover las definiciones de herramientas al final de la solicitud para que su orden ya no perturbe la parte estable del prefijo.

   El bloque de herramientas se renderiza primero, así que encabeza el prefijo cacheable; cualquier reordenación cambia bytes al inicio e invalida todo lo posterior. La serialización determinista es la única corrección: los puntos de corte posteriores no salvan un prefijo que ya difiere, y la solicitud no puede reordenarse para dejar las herramientas al final.

   Ref. QB-2VG25HFuente: Anthropic docs — Prompt caching: silent invalidators (varying tool sets and non-deterministic serialization)Reportar un problema con esta pregunta

6. 6. Una arquitecta quiere pruebas de que un prefijo recién almacenado en caché se reutiliza de verdad en producción y no solo por suposición. ¿Qué lo confirma?

   • A.Contar localmente los tokens del prompt y restar esa cifra del total de entrada que aparece en la factura mensual.
   • B.Comparar el prompt renderizado con el de la solicitud anterior y tomar dos cadenas idénticas como prueba de reuso.
   • C.Comparar la latencia de respuesta antes y después de activar la caché y leer una caída como prueba de reutilización.
   • D.Leer los recuentos de tokens de lectura y de escritura de caché en las cifras de uso que vuelven con cada respuesta.✓ Respuesta

   Cada respuesta informa sus tokens de entrada divididos en lectura de caché y creación de caché, lo que es una medición directa por solicitud de si el prefijo se reutilizó. La latencia varía por muchas razones ajenas, una cadena renderizada idéntica no prueba que la entrada siga existiendo, y la aritmética de facturas no atribuye el reuso a una solicitud concreta.

   Ref. QB-HCBVHGFuente: Anthropic docs — Prompt caching: verifying cache performance from the usage object (cache_read / cache_creation input tokens)Reportar un problema con esta pregunta

7. 7. Un equipo quiere almacenar en caché un preámbulo corto que se arma de nuevo en cada solicitud y se lee una sola vez dentro de ella. ¿Qué debe decirles la arquitecta?

   • A.Cachear ese preámbulo ayuda, porque una escritura y una lectura se facturan igual una vez registrado el prefijo.
   • B.Cachear ese preámbulo añade coste, porque una escritura se cobra por encima de una lectura sin caché y nadie lo relee.✓ Respuesta
   • C.Cachear ese preámbulo es neutro en coste y solo mejora la latencia, así que conviene activarlo donde esté disponible.
   • D.Cachear ese preámbulo no ahorra nada y añade latencia, porque la escritura es un paso extra antes de responder.

   La economía va en un solo sentido: una lectura de caché cuesta bastante menos que una lectura sin caché, mientras que una escritura cuesta algo más. El contenido que se escribe y nunca se vuelve a leer paga el recargo sin cobrar nunca el descuento, y por eso la caché se reserva para prefijos que se repiten entre solicitudes.

   Ref. QB-ZU5QXFFuente: Anthropic docs — Prompt caching pricing direction (cache writes above, cache reads well below uncached input)Reportar un problema con esta pregunta

8. 8. Una sesión larga de agente usa compactación. La respuesta vuelve con el historial compactado, pero el cliente guarda solo el texto del asistente y lo añade a su propia transcripción. Los turnos posteriores actúan como si el trabajo anterior no hubiera existido. ¿Qué está mal?

   • A.El umbral de compactación es demasiado bajo, así que el historial se resume mucho antes de que la ventana esté presionada.
   • B.La compactación descarta los turnos anteriores para siempre, así que el cliente debe repetir la transcripción original que guarda.
   • C.El cliente añade el resumen bajo el rol equivocado, y un resumen en rol de usuario se lee como una instrucción nueva.
   • D.Los bloques que devuelve la respuesta son el nuevo historial y hay que reenviarlos en la próxima solicitud, no solo el texto.✓ Respuesta

   La compactación reescribe la conversación anterior en una forma más corta y devuelve ese resultado en los bloques de contenido de la respuesta. Esos bloques son ahora el historial autoritativo, así que un cliente que solo guarda el texto renderizado pierde en silencio el estado compactado y construye cada solicitud posterior sobre una transcripción incompleta.

   Ref. QB-CCJ7PAFuente: Anthropic docs — Compaction: the returned content blocks constitute the conversation history the caller must resendReportar un problema con esta pregunta

9. 9. El historial de un agente contiene cargas de herramientas grandes que ya no se necesitan, mientras que las decisiones anteriores del asistente deben seguir siendo legibles palabra por palabra. ¿En qué se diferencian aquí borrar y resumir?

   • A.Borrar elimina los resultados antiguos y deja intactos los turnos vecinos; resumir reescribe el historial en prosa más corta.✓ Respuesta
   • B.Borrar y resumir sustituyen los turnos anteriores por una descripción condensada y difieren solo en cuánto recortan.
   • C.Borrar quita todos los turnos previos al actual, así que cualquier decisión anterior debe ser deducida de nuevo por el modelo.
   • D.Resumir elimina de plano los resultados de herramientas antiguos, mientras que borrar reescribe la conversación en un relato.

   Borrar y resumir conservan cosas distintas. Borrar quita resultados de herramientas antiguos y deja el resto de la transcripción byte a byte, así que las decisiones quedan literales; resumir comprime tramos del historial en prosa nueva, con riesgo para la redacción y los valores exactos. Si el razonamiento previo debe sobrevivir tal cual, borrar es la reducción que lo conserva.

   Ref. QB-UUC24AFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5 (clearing versus summarizing context)Reportar un problema con esta pregunta

10. 10. Un agente obtiene una tabla financiera grande mediante una llamada a herramienta y necesita unas pocas cifras exactas tres pasos después, pero la carga está saturando la ventana. ¿Cuál es la mejor forma de conservar esas cifras?

    • A.Dejar que la compactación resuma la carga e indicar al resumidor que conserve cada cifra que un paso posterior necesitará.
    • B.Mantener toda la carga en contexto y añadir una nota que señale las filas que de verdad importan a los pasos restantes.
    • C.Borrar ahora el resultado de la herramienta y repetir la misma llamada cada vez que un paso posterior necesite una cifra.
    • D.Escribir las cifras necesarias en un archivo y dejar una referencia corta en contexto, para que los valores exactos sobrevivan.✓ Respuesta

    Externalizar deja los valores donde ninguna reducción de contexto los alcanza y cuesta apenas un puntero en la ventana. El resumen es compresión con pérdida y no se le puede instruir para conservar datos de alta precisión, repetir la llamada trae la carga entera otra vez, y guardarla con una nota deja la presión exactamente igual.

    Ref. QB-D5F8KSFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5 (clearing, summarizing, or externalizing context)Reportar un problema con esta pregunta

11. 11. Un agente con recuperación pasó de ocho pasajes por pregunta a cincuenta. La exactitud cayó aunque ahora el pasaje correcto se incluye con más frecuencia. ¿Cuál es la mejor explicación y el mejor remedio?

    • A.La cobertura sigue siendo baja con cincuenta pasajes: hay que subir la profundidad hasta que el pasaje correcto esté siempre.
    • B.El modelo necesita permiso para saltarse el ruido: hay que mantener los cincuenta e indicarle que ignore los irrelevantes.
    • C.Los pasajes extra diluyen la atención y entierran el correcto a mitad del prompt: hay que recuperar menos y mejor dirigidos.✓ Respuesta
    • D.La respuesta la corta el límite de salida: hay que subir ese tope hasta que los cincuenta pasajes puedan aprovecharse.

    La recuperación es gestión de contexto y más material recuperado no es mejor: cada pasaje adicional compite por la atención y empuja el texto decisivo hacia el medio del prompt, donde la atención es más débil. Una vez que el pasaje correcto suele estar presente, la precisión de lo recuperado importa más que la cobertura.

    Ref. QB-WMMD6TFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5, TS 5.1 (retrieval scope and positional attention)Reportar un problema con esta pregunta

12. 12. En un sistema de investigación multiagente, cada subagente devuelve el texto completo de todos los documentos que leyó. El coordinador se queda sin contexto antes de poder sintetizar. ¿Dónde corresponde la corrección?

    • A.En los subagentes: cada uno devuelve hallazgos estructurados con afirmaciones, fuentes y fechas en vez de los documentos.✓ Respuesta
    • B.En la planificación: ejecutar menos subagentes a la vez para que el coordinador reciba los informes completos por lotes.
    • C.En la elección del modelo: llevar el coordinador a un modelo cuya ventana admita la salida combinada de los subagentes.
    • D.En el coordinador: resume el texto devuelto por cada subagente en cuanto ese texto entra en el historial del coordinador.

    Al cruzar una frontera entre agentes, el exceso de contexto se corrige aguas arriba: el subagente decide qué entra en la ventana del coordinador. Devolver hechos clave estructurados con citas y metadatos mantiene aislada la lectura verbosa donde ocurrió; resumir al llegar, lotear o comprar más ventana pagan antes por el texto crudo.

    Ref. QB-C54WDRFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5, TS 5.1 (subagents return structured facts, not verbose content)Reportar un problema con esta pregunta

13. 13. Un equipo dimensiona el historial de su agente dividiendo el número de caracteres entre cuatro y confía en esa estimación. Las solicitudes fallan de forma intermitente por superar el límite del modelo. ¿Qué deben hacer?

    • A.Truncar los mensajes más antiguos cada vez que se rechace una solicitud y reenviarla hasta que pase.
    • B.Añadir un margen de seguridad fijo a la estimación por caracteres para que la solicitud quede bajo el límite.
    • C.Adoptar una librería de tokenización externa y tomar su recuento como tamaño autoritativo para cada modelo.
    • D.Contar los tokens de la solicitud ya ensamblada con la utilidad de conteo de la API antes de enviarla.✓ Respuesta

    Lo que cuesta un prompt se cuenta, no se estima: la tokenización varía con el contenido y con el modelo, así que dividir caracteres entre cuatro se equivoca por un margen impredecible. Contar la solicitud ya ensamblada antes de enviarla convierte una suposición en una medición; los márgenes, los reintentos y los tokenizadores externos siguen adivinando.

    Ref. QB-VM93ZRFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5 (measure context cost rather than estimate it)Reportar un problema con esta pregunta

14. 14. Un agente de soporte lleva sesiones largas con resumen progresivo. Las transcripciones muestran que un reembolso de $247.83 se convirtió en 'un reembolso' y que el 'para el viernes' del cliente desapareció en el turno veinte. ¿Cuál es la corrección más eficaz?

    • A.Indicar al resumidor que conserve importes, fechas e identificadores siempre que comprima un tramo anterior de la sesión.
    • B.Mantener un bloque de hechos del caso con importes, fechas e identificadores e inyectarlo literal en cada prompt, fuera del resumen.✓ Respuesta
    • C.Resumir con menos frecuencia para que sobrevivan más turnos originales y los detalles precisos duren más en el historial.
    • D.Pedir al cliente que repita el importe y el plazo cada vez que el agente esté por ejecutar una acción sobre el caso.

    El resumen progresivo es compresión con pérdida y destruye primero los datos de alta precisión: importes, fechas, identificadores y expectativas expresadas. No se puede resolver con instrucciones, así que los hechos que deben sobrevivir viven en un bloque estructurado inyectado literalmente en cada solicitud, y solo se resume la conversación que lo rodea.

    Ref. QB-B5RJ8QFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5, TS 5.1 (persistent verbatim case-facts block)Reportar un problema con esta pregunta

15. 15. Un agente recibe investigación agregada en la que el hallazgo decisivo está en medio de una entrada muy larga, y lo pasa por alto de forma sistemática. ¿Cuál es la mitigación correcta?

    • A.Llevar la carga a un modelo con ventana mayor, ya que la atención débil en el medio es un defecto de este modelo.
    • B.Repetir la entrada completa al final del prompt para que el hallazgo caiga también en una posición bien atendida.
    • C.Colocar un resumen de los hallazgos clave al inicio de la entrada y marcar cada sección con un encabezado.✓ Respuesta
    • D.Subir el límite de salida para que el modelo tenga espacio de recorrer toda la entrada antes de dar su respuesta.

    La atención débil hacia el medio de una entrada larga es una propiedad estructural de cómo se atiende un prompt, no un defecto de un modelo, y por eso se mitiga estructuralmente: un resumen de hallazgos clave donde la atención es fiable, al principio, y encabezados explícitos para ubicar las secciones. Más ventana, más salida o repetir la entrada dejan intacto el problema de posición.

    Ref. QB-UMWQTQFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5, TS 5.1 (positional attention: structural mitigations)Reportar un problema con esta pregunta

16. 16. Dos subagentes devuelven nada. Uno alcanzó el archivo y su consulta no encontró registros; el otro agotó el tiempo de espera antes de que el archivo respondiera. ¿Cómo debe tratarlos el coordinador?

    • A.Aceptar ambas como respondidas, ya que el coordinador no tiene modo fiable de saber a qué fuente se llegó de verdad.
    • B.Escalar ambas a revisión humana, porque un resultado vacío de cualquier fuente no se distingue de uno averiado.
    • C.Reintentar ambas, ya que una respuesta vacía es el mismo resultado observable y un intento más cuesta muy poco.
    • D.Reintentar la llamada que expiró y aceptar la coincidencia vacía como respuesta, distinguiéndolas por el tipo de fallo.✓ Respuesta

    Un fallo de acceso y un resultado vacío válido se ven idénticos pero exigen tratamientos opuestos: el tiempo agotado nunca llegó a la fuente y merece reintento, mientras que la coincidencia vacía es la respuesta y reintentarla solo gasta ventana. Lo que los separa es el tipo de fallo estructurado que informa el subagente, y por eso el contexto de error lleva categoría y no un simple estado.

    Ref. QB-A5D83PFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5, TS 5.3 (access failure versus valid empty result)Reportar un problema con esta pregunta

17. 17. La fuente de datos de un subagente devuelve un error de permisos. El subagente devuelve un conjunto vacío con estado 'ok' para que el flujo siga avanzando. ¿Cuál es la consecuencia?

    • A.El coordinador reintenta ese subagente automáticamente y expone el error de permisos subyacente en el segundo pase.
    • B.El coordinador concluye que el dato no existe y no tiene vía de recuperación, ya que el fallo nunca llegó hasta él.✓ Respuesta
    • C.El coordinador anota un vacío de cobertura del tema e indica en la síntesis que una fuente no pudo ser leída.
    • D.El coordinador detiene todo el flujo y descarta los resultados parciales que los demás subagentes ya reunieron.

    Convertir en silencio un fallo en un éxito vacío es el peor desenlace en propagación de errores: el coordinador no puede reintentar, ni recurrir a una alternativa, ni anotar la cobertura, porque desde su punto de vista la fuente se leyó y no contenía nada. Propagar de forma estructurada el tipo de fallo, lo intentado y los resultados parciales es lo que mantiene posible la recuperación.

    Ref. QB-TMJDNPFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5, TS 5.3 (silent error suppression anti-pattern)Reportar un problema con esta pregunta

18. 18. En el turno diez de una sesión de diagnóstico, el cliente escribe: 'Pásame con una persona.' Al agente le falta una sola llamada a herramienta para lo que parece una solución válida. ¿Qué debe hacer?

    • A.Completar primero la llamada pendiente y escalar solo si la solución resultante no resuelve el problema del cliente.
    • B.Reconocer la frustración, ofrecer la solución y escalar solo si el cliente pide una persona por segunda vez.
    • C.Escalar a una persona ahora y entregar los hechos del caso, ya que pedir un humano de forma explícita es un disparador firme.✓ Respuesta
    • D.Puntuar el mensaje por sentimiento y escalar cuando la frustración medida supere el umbral fijado para la cola.

    Pedir explícitamente una persona es uno de los pocos disparadores firmes de escalado y se atiende de inmediato, sin investigar antes ni demostrar que el agente habría podido resolverlo. Reconocer y ofrecer es el manejo correcto de la frustración sola, y puntuar el sentimiento no es un disparador fiable porque la frustración no sigue a la complejidad del caso.

    Ref. QB-952WVMFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5, TS 5.2 (escalation triggers: explicit human request)Reportar un problema con esta pregunta

19. 19. Una tubería multiagente se cae a mitad de ejecución. Al reiniciar, el coordinador debe reconstruir lo que cada agente había establecido antes de la caída. ¿En qué debe apoyarse el diseño?

    • A.Una reejecución limpia desde la descripción original, ya que rededucir los hallazgos es más seguro que el estado.
    • B.El historial de conversación guardado de cada agente, reproducido desde el inicio para llegar al mismo estado.
    • C.Un manifiesto del estado exportado por cada agente, cargado al reanudar e inyectado en los prompts reiniciados.✓ Respuesta
    • D.El registro propio del coordinador de lo que dijo a cada agente, reenviado como mensaje inicial de cada sesión.

    La recuperación tras una caída se diseña sobre persistencia de estado estructurada, no sobre transcripciones: cada agente exporta su estado a una ubicación conocida y el coordinador carga un manifiesto al reanudar y lo inyecta en los prompts reiniciados. Reproducir el historial es caro y puede no repetir los mismos resultados de herramientas, y reejecutar desde cero descarta todo lo ya establecido.

    Ref. QB-SM73GNFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5, TS 5.4 (structured state persistence and resume manifests)Reportar un problema con esta pregunta

20. 20. Tras dos horas explorando una base de código desconocida, el asistente empieza a citar 'patrones típicos' en vez de las clases que leyó antes y se contradice con sus propias respuestas previas. ¿Cuál es la respuesta más eficaz?

    • A.Guardar los hallazgos en un archivo de notas y delegar la exploración restante en un subagente que informe resúmenes.✓ Respuesta
    • B.Releer los archivos fuente principales al inicio de cada pregunta para que los detalles estén en los turnos recientes.
    • C.Repartir el trabajo entre las sesiones de dos ingenieros para que cada una abarque una porción menor del repositorio.
    • D.Pedir al asistente más cuidado y que cite una ruta de archivo para cada afirmación sobre el diseño de la base de código.

    Recurrir a patrones genéricos en vez de a archivos concretos es la firma reconocida de la degradación de contexto en una sesión larga. La contramedida es sacar el conocimiento de la ventana y mantener fuera la salida verbosa: un archivo de notas que el asistente pueda consultar después, más delegación en subagentes para aislar la exploración. Releer archivos cada turno acelera el mismo agotamiento.

    Ref. QB-A3F33PFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5, TS 5.4 (scratchpads and subagent delegation in large-codebase work)Reportar un problema con esta pregunta

21. 21. Dos subagentes informan la misma métrica: uno da 28% de un estudio de 2022 y el otro 32% de un estudio de 2024. ¿Cómo debe tratar la síntesis ese par?

    • A.Promediar las dos cifras y citar ambos estudios, ya que las dos fuentes son creíbles y ninguna puede descartarse.
    • B.Informar ambas con sus fuentes y años de recolección, tratando el par como una tendencia y no como una contradicción.✓ Respuesta
    • C.Marcar el par como conflicto sin resolver y devolver la pregunta al subagente que produjo el valor más bajo.
    • D.Informar solo la cifra de 2024 y descartar la anterior, ya que el estudio más reciente reemplaza al hallazgo previo.

    Los metadatos temporales son lo que distingue un conflicto de una tendencia: la misma estadística medida en años distintos es un cambio en el tiempo, y quitar las fechas fabrica una contradicción inexistente. Los valores de fuentes creíbles se anotan con atribución completa y se conservan; nunca se promedian ni se reducen en silencio a uno solo.

    Ref. QB-SJ9WFNFuente: Claude Certified Architect – Foundations Exam Guide, Domain 5, TS 5.6 (temporal metadata, provenance, and conflict annotation)Reportar un problema con esta pregunta

22. 22. Un agente con cuatro herramientas de consulta parecidas llama a la equivocada con frecuencia; cada descripción es una sola frase corta. El primer instinto del equipo es que la ventana de contexto está saturada. ¿Qué deben cambiar primero?

    • A.Añadir un modelo de enrutamiento delante del agente que elija la herramienta y pase esa elección como parámetro fijo.
    • B.Ampliar cada descripción con formatos de entrada, consultas de ejemplo y el límite frente a las otras herramientas.✓ Respuesta
    • C.Recortar el historial de conversación con dureza para que las definiciones queden más cerca del final del prompt.
    • D.Aportar ejemplos en el prompt de sistema que muestren qué herramienta se eligió en una docena de solicitudes previas.

    Parece un problema de contexto pero es de diseño de herramientas: las descripciones son el mecanismo primario de enrutamiento, y cuatro descripciones de una línea no dan al modelo con qué discriminar. Ampliarlas con formatos, ejemplos y límites explícitos es el primer paso proporcionado; reordenar el prompt, añadir una capa de enrutamiento o recurrir a ejemplos se adelantan a la corrección barata aún no probada.

    Ref. QB-934RVMFuente: Claude Certified Architect – Foundations Exam Guide, Domain 2 (tool descriptions as the primary routing mechanism)Reportar un problema con esta pregunta

Preguntas de práctica basadas en la guía oficial del examen Claude Certified Architect – Foundations (CCAR-F) y la documentación pública de Anthropic. Es una herramienta de estudio independiente, no afiliada ni respaldada por Anthropic, y no otorga certificación. Lo administra Pearson VUE; Anthropic publica el número de preguntas, el límite de tiempo, la puntuación de aprobación y la tarifa vigentes en la guía oficial del examen CCAR-F. Página oficial de la certificación →