rdp-cli

Cómo reducir el uso de tokens de las capturas de un AI Agent

Última actualización: 6 de noviembre de 2026
Revisado por el equipo de rdp-cli

Cuando un AI Agent controla un escritorio remoto, las capturas proporcionan la información visual necesaria para elegir la siguiente acción. Enviar una captura completa en alta resolución después de cada clic puede aumentar el uso de tokens, la latencia y los costes.

La solución no consiste solamente en comprimir el PNG. Hay que reducir la información irrelevante y evitar enviar repetidamente capturas sin cambios.

La estrategia práctica es:

Capturar solo la región necesaria, reducir la imagen cuando no se necesite todo el detalle, esperar los cambios y verificar únicamente lo necesario.

Con rdp-cli, el agente puede conectarse a sesiones RDP, VNC, X11 o Android, capturar una región y compararla con una observación anterior.

Respuesta rápida: cómo reducir los tokens de las capturas

Captura solo la región que necesita el agente, reduce la imagen cuando no sea necesario conservar todos los detalles, usa la detección de cambios y espera a que cambie el estado en lugar de consultar todo el escritorio continuamente.

Usa capturas completas para establecer el contexto, gestionar cambios de distribución o recuperar un estado desconocido. Consulta la documentación de comandos de rdp-cli.

Por qué las capturas de alta resolución usan más tokens

Una captura de alta resolución contiene más información visual de la que el agente suele necesitar.

Las causas habituales son enviar todo el escritorio 1920×1080 después de cada acción, enviar la misma pantalla antes y después de un clic, capturar el escritorio completo para comprobar un solo diálogo y realizar capturas repetidas durante la carga.

El tamaño del PNG afecta principalmente a la transferencia. El uso real también depende de las dimensiones, el número de imágenes y las reglas del modelo de visión.

1. Usa capturas por región

Si solo hay que comprobar un botón, diálogo, tabla o estado, captura esa zona:

rdp-cli screenshot \
  --session SESSION \
  --region 800,120,720,560 \
  --out focused.png

Sustituye SESSION por el ID de la sesión. --region utiliza coordenadas de la pantalla remota. Consulta la documentación de comandos para ver las opciones disponibles.

2. Reduce la imagen cuando no necesites todos los detalles

rdp-cli screenshot \
  --session SESSION \
  --region 800,120,720,560 \
  --max-width 900 \
  --out focused-small.png

Los textos pequeños, las tablas densas y los formularios complejos pueden necesitar una imagen más grande. La página de funciones de rdp-cli explica que las coordenadas siguen vinculadas a la pantalla remota aunque la imagen se reduzca.

3. Usa la detección de cambios

Compara la captura actual con una observación anterior para evitar procesar de nuevo la misma imagen:

rdp-cli screenshot \
  --session SESSION \
  --since PREVIOUS_REFERENCE \
  --region 800,120,720,560 \
  --out current.png

Si la región no ha cambiado, el agente puede seguir esperando sin reenviar una imagen idéntica.

4. Usa espera por estado

Si solo necesitas saber si una región cambió, utiliza wait:

rdp-cli wait \
  --session SESSION \
  --condition changed \
  --region 800,120,720,560

También puedes esperar hasta que la región se estabilice cambiando condition a stable. Esto reduce capturas innecesarias y evita actuar mientras la interfaz cambia.

5. Mantén el ciclo observar → actuar → verificar

Captura la pantalla o región objetivo, realiza una acción con la observación más reciente, espera un cambio o una estabilización, captura solo el resultado y comprueba si coincide con lo esperado.

Cada acción debe usar una observation actualizada. Consulta la guía de inicio rápido para ver el flujo completo.

Estrategia para escritorios remotos

Captura todo el escritorio al inicio, cambia después a capturas por región y guarda únicamente las imágenes importantes como evidencia. Vuelve a capturar la pantalla completa si cambia la distribución o el agente pierde el contexto.

Limitaciones

Puede ser necesaria una captura completa para comparar varias ventanas, seguir una ventana entre monitores, analizar la distribución global, identificar la ventana activa o investigar un error inesperado.

rdp-cli proporciona conexión, capturas, entrada, archivos y control de sesiones. No incluye un modelo de IA; el agente externo decide qué observar y cómo interpretar el resultado.

FAQ

¿Cuál es la mejor forma de reducir los tokens de las capturas?

Captura la región necesaria, evita imágenes duplicadas, espera los cambios de estado y verifica una zona pequeña.

¿Reducir el tamaño siempre reduce los tokens?

No necesariamente. Depende del modelo de visión. Reducir la región y evitar repeticiones suele ser más eficaz.

¿Hay que enviar el escritorio completo después de cada acción?

No. Para las acciones normales suele bastar una captura por región.

¿Puede rdp-cli capturar solo una parte de la pantalla?

Sí. screenshot admite --region.

¿rdp-cli incluye un modelo de IA?

No. rdp-cli controla la sesión y el AI Agent proporciona el razonamiento.

Conclusión

La optimización no elimina la verificación visual. Hace que cada observación sea más específica:

Captura la región relevante → realiza una acción → espera un cambio → captura solo lo necesario → verifica el resultado.

Así, la automatización de escritorios remotos en alta resolución resulta más eficiente sin perder la información visual necesaria.