Cortar el tamaño de la ventana de contexto con MCP de extracción

El problema

Los agentes que buscan páginas web completas para responder preguntas desperdician entre el 80% y el 90% de los tokens de contexto en contenido irrelevante: banners de cookies, menús de navegación, enlaces a artículos relacionados, guiones publicitarios y texto estándar de pie de página. Una página de 12.000 tokens puede contener 1.200 tokens de información útil. Con ventanas de contexto de 128K llenándose a lo largo de una sesión de varios turnos, el agente trunca el contexto anterior importante o alcanza el límite y pierde coherencia.

La solucion de Scavio

Utilice la API de búsqueda de Scavio como capa de extracción a través de MCP. En lugar de buscar y analizar páginas enteras, consulte la información específica necesaria. La API devuelve campos estructurados (título, fragmento, descripción general de AI) que contienen la señal sin ruido. Para la investigación de múltiples fuentes, cinco resultados estructurados utilizan menos tokens que una búsqueda de página sin formato.

Para quien es

Los desarrolladores de agentes que alcanzan los límites de la ventana de contexto en sesiones de varios turnos necesitan reducir el costo simbólico del contexto de origen web.

Beneficios clave

• Reducir el contexto de búsqueda de 36.000 a 600 tokens por turno
• Mantener la coherencia de los agentes en sesiones largas de varios turnos
• Los campos estructurados eliminan la lógica de extracción repetitiva
• La integración de MCP no requiere cambios de código en el agente
• Funciona con cualquier marco compatible con MCP (Claude, LangChain, etc.)

Ejemplo en Python

import requests, os, json

H = {'x-api-key': os.environ['SCAVIO_API_KEY']}

def extract_facts(query: str, max_results: int = 5) -> str:
    """Return only the signal, skip the noise. ~100 tokens per result."""
    r = requests.post('https://api.scavio.dev/api/v1/search', headers=H,
        json={'platform': 'google', 'query': query, 'ai_overview': True}, timeout=10).json()
    parts = []
    aio = r.get('ai_overview')
    if aio:
        parts.append(f'AI Overview: {aio.get("text", "")[:300]}')
    for o in r.get('organic', [])[:max_results]:
        parts.append(f'{o.get("title")}: {o.get("snippet")} [{o.get("link")}]')
    context = '\n'.join(parts)
    print(f'Extraction: ~{len(context)//4} tokens vs ~12,000 for a full page')
    return context

print(extract_facts('scavio search api pricing 2026'))

Ejemplo en JavaScript

const H = { 'x-api-key': process.env.SCAVIO_API_KEY, 'Content-Type': 'application/json' };

async function extractFacts(query, maxResults = 5) {
  const r = await fetch('https://api.scavio.dev/api/v1/search', {
    method: 'POST', headers: H,
    body: JSON.stringify({ platform: 'google', query, ai_overview: true })
  }).then(r => r.json());
  const parts = [];
  if (r.ai_overview) parts.push('AI Overview: ' + (r.ai_overview.text || '').slice(0, 300));
  for (const o of (r.organic || []).slice(0, maxResults)) {
    parts.push(`${o.title}: ${o.snippet} [${o.link}]`);
  }
  return parts.join('\n');
}

Plataformas utilizadas