Promptingul te-a adus până aici, dar nu te va duce mai departe. Poți scrie cea mai elegantă instrucțiune din lume și tot vei privi neputincios cum un model care nu mai răspunde la un singur mesaj, ci rulează ca agent pe zeci de pași, apelează tool-uri și acumulează istoric, începe să uite, să se contrazică și să greșească — nu pentru că promptul e prost, ci pentru că a încetat să mai fie problema. Aici intră context engineering: disciplina de a curata și gestiona întregul set de tokeni care intră într-o fereastră de inferență, nu doar promptul pe care îl scrii tu.
De la o întrebare bună la o stare bine gestionată
În 2023–2024, „a fi bun la AI" însemna, practic, a formula prompturi inteligente. Cunoșteai câteva tehnici — few-shot, chain-of-thought, delimitarea instrucțiunilor — și obțineai rezultate net superioare mediei. Acel set de competențe rămâne valid și este predat în detaliu în cursul Prompt Engineering Masterclass. Dar el descrie un singur act: compunerea unui mesaj de intrare.
Problema este că aplicațiile reale din 2026 nu mai trimit un singur mesaj. Un asistent care rezolvă un tichet de suport, un agent care navighează o bază de cod sau un sistem care planifică o călătorie execută o buclă: gândește, apelează un tool, primește un rezultat, gândește din nou, apelează alt tool, și tot așa. La fiecare iterație, fereastra de context se umple cu material nou — răspunsuri de la API-uri, rezultate de căutare, mesaje intermediare, urme de raționament. Promptul tău inițial devine o fracțiune tot mai mică dintr-un întreg pe care nu îl mai controlezi direct.
Aici apare ruptura conceptuală. Promptingul optimizează un mesaj. Context engineering optimizează tot ce vede modelul la momentul fiecărei inferențe. Cele două nu sunt în competiție; al doilea îl conține pe primul. Promptul de sistem rămâne o componentă esențială — dar este o componentă într-un buget de tokeni care mai include istoric conversațional, definiții de tool-uri, documente recuperate, memorie persistentă și rezultate de execuție.
Ce înseamnă „context" în această disciplină
Când spunem context, ne referim la setul complet de tokeni prezenți în fereastra de inferență la un moment dat. Conform postului oficial Anthropic „Effective context engineering for AI agents" (anthropic.com/engineering), acest set include în mod tipic:
- System prompt-ul — instrucțiunile persistente, rolul, regulile de comportament.
- Definițiile de tool-uri — schemele funcțiilor pe care agentul le poate apela.
- Istoricul conversațional — mesajele anterioare ale utilizatorului și ale modelului.
- Rezultatele apelurilor de tool — output-uri care pot fi mari și zgomotoase.
- Informația recuperată — fragmente de documente aduse prin retrieval.
- Memoria persistentă — fapte și preferințe păstrate între sesiuni.
Context engineering este arta și ingineria de a decide, pentru fiecare dintre aceste componente, ce intră, cât intră, în ce formă și în ce moment — astfel încât modelul să primească exact semnalul de care are nevoie, fără zgomotul care îi degradează performanța.
Contextul este o resursă finită, nu un coș fără fund
Tentația naturală a oricărui inginer care descoperă ferestre de context mari este să „bage tot înăuntru". Dacă modelul acceptă un milion de tokeni, de ce nu i-am da toată documentația, tot istoricul, toate fișierele? Postul Anthropic combate frontal această intuiție: contextul este o resursă finită cu randament marginal descrescător. Fiecare token adăugat are un cost — nu doar financiar, ci atențional.
