Limitele Promptingului și Contextul ca Disciplină Nouă în 2026

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 it-02 Prompt Engineering. 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.

Motivul ține de mecanica modelelor de tip transformer. Atenția — mecanismul prin care modelul cântărește relevanța fiecărui token față de ceilalți — operează pe perechi de tokeni. Pe măsură ce numărul de tokeni crește, „bugetul de atenție" al modelului se întinde tot mai subțire peste tot mai mult material. Modelul a fost antrenat predominant pe secvențe mai scurte decât maximul teoretic al ferestrei, deci experiența lui cu dependențe pe distanțe foarte mari este, relativ, limitată.

Consecința practică poartă în post numele de context rot: pe măsură ce numărul de tokeni dintr-o fereastră crește, capacitatea modelului de a recupera cu acuratețe o informație anume scade. Nu este o defecțiune; este o proprietate. Important este să o tratezi calitativ și prudent — nu ca pe o cifră dură universală. Gradul exact de degradare depinde de model, de versiune, de poziția informației și de natura sarcinii, și nu trebuie prezentat ca un procent fix valabil oriunde.

Principiul director, formulat de Anthropic, este simplu de reținut: caută cel mai mic set posibil de tokeni de mare semnal care îți rezolvă sarcina. Nu maximul de informație, ci densitatea de semnal.

O analogie utilă: atenția ca memorie de lucru limitată

Gândește-te la fereastra de context ca la memoria de lucru a unui expert uman care citește un dosar. Un avocat strălucit care primește cinci pagini esențiale va construi un argument coerent. Același avocat, îngropat sub cinci sute de pagini din care 480 sunt irelevante, va rata detalii, va confunda fapte și va obosi. Nu pentru că a devenit mai puțin competent, ci pentru că semnalul s-a diluat în zgomot. Modelele suferă de o dinamică analoagă, iar context engineering este disciplina care îți ține dosarul curat.

Cum eșuează promptingul „pur" în lumea agenților

Hai să trecem prin trei tipare concrete de eșec în care un prompt perfect, izolat, nu te salvează.

1. Acumularea de istoric. La a douăzecea iterație a unei bucle agentice, fereastra conține nouăsprezece rezultate de tool, multe dintre ele depășite sau redundante. Promptul de sistem este impecabil, dar modelul se îneacă în rezultate vechi. Soluția nu e un prompt mai bun, ci o strategie de gestionare a istoricului — temă pe care cursul o tratează în modulele despre compaction.

2. Tool-uri zgomotoase. Un singur apel către un API poate întoarce un JSON de zece mii de tokeni din care nouă mii sunt metadate inutile. Niciun prompt nu compensează această poluare; ai nevoie de o disciplină de curare a output-urilor de tool înainte ca ele să între în context.

3. Lipsa memoriei. Utilizatorul ți-a spus acum trei sesiuni că preferă răspunsuri concise în română. Promptul de sistem nu „știe" asta, fiindcă promptul este static. Ai nevoie de un strat de memorie persistentă care să injecteze faptul potrivit la momentul potrivit — exact subiectul central al acestui curs.

Unde se așază acest curs în harta competențelor tale

Este crucial să poziționezi corect această disciplină ca să nu reînveți ce știi deja.

• Față de it-02 Prompt Engineering: acolo înveți să scrii prompturi excelente — structură, exemple, control de format. Aici presupunem că deja știi asta și ne ocupăm de stratul de deasupra: cum gestionezi tot contextul și memoria persistentă care fac un agent fiabil pe termen lung. Nu vom mai preda tehnici de redactare a promptului; le considerăm prerechizit.
• Față de it-05 AI Agents: acolo construiești agenți de la zero — arhitectură, bucle de control, tool use, planificare. Aici nu reconstruim agentul, ci adăugăm stratul de context și memorie care îl face de încredere când rulează ore în șir sau revine peste zile. Vom referenția arhitectura agenților, dar nu o vom relua.

Pe scurt: it-02 îți dă mesajul, it-05 îți dă mașinăria, iar acest curs îți dă disciplina de a-i alimenta mașinăriei exact informația de care are nevoie, la momentul potrivit, fără să o sufoce.

Ce vei putea face la finalul cursului

Acest modul este o hartă. Pe parcursul cursului vei dobândi capacitatea de a:

1. Raționa despre fereastra de context ca despre un buget și a-l aloca deliberat pe componente.
2. Recunoaște și contracara context rot prin curare și structurare a informației.
3. Proiecta straturi de memorie (working, semantică, episodică, procedurală) potrivite sarcinii.
4. Decide când informația trebuie încărcată în prealabil și când trebuie recuperată la cerere.
5. Versiona explicit modelele și ferestrele lor, fiindcă aceste dimensiuni se schimbă rapid.

Ferestrele mari din 2026 — Claude Opus 4.8 și 4.7 cu un milion de tokeni, GPT-5.5 cu un milion, Gemini 3.1 Pro — fac context engineering mai important, nu mai puțin. Spațiul mare nu te scutește de disciplină; doar ridică miza alegerilor proaste. Următoarea lecție disecă exact această fereastră ca resursă finită și introduce vocabularul bugetării.

Patru semnale că ai trecut din lumea promptingului în lumea context engineering

Mulți ingineri trec granița fără să-și dea seama și apoi se întreabă de ce „același prompt care mergea perfect" a început brusc să producă rezultate inconsistente. Iată patru semnale concrete că problema ta nu mai este o problemă de prompting, ci una de context engineering. Folosește-le ca pe o listă de diagnostic.

Semnalul 1 — Comportamentul se degradează pe măsură ce conversația avansează. Primele câteva schimburi sunt impecabile, dar după zece sau cincisprezece runde modelul începe să uite instrucțiuni de la început, să se contrazică sau să reintroducă erori deja corectate. Acesta nu este un prompt prost; este un istoric negestionat care a împins informația critică spre zona de risc a ferestrei. Nicio rescriere a promptului de sistem nu repară un istoric care s-a umflat necontrolat.

Semnalul 2 — Un singur tool îți otrăvește tot contextul. Adaugi un tool care interoghează un sistem extern și, brusc, calitatea răspunsurilor scade peste tot, inclusiv la sarcini care nu au legătură cu acel tool. Cauza este aproape sigur un output de tool voluminos și zgomotos care a inundat fereastra. Soluția nu este să scrii instrucțiuni mai bune, ci să cureți rezultatul tool-ului înainte de a-l lăsa în context.

Semnalul 3 — Ai nevoie ca agentul să „țină minte" între sesiuni. În clipa în care utilizatorul se așteaptă ca agentul să-și amintească o preferință exprimată ieri sau o decizie luată săptămâna trecută, ai depășit complet domeniul promptingului. Promptul este, prin definiție, static și amnezic. Memoria persistentă este un strat separat, de primă clasă, pe care îl proiectezi deliberat.

Semnalul 4 — Modelul are toată informația, dar tot greșește. Ai băgat în context exact documentul care conține răspunsul corect și, totuși, modelul răspunde greșit sau evaziv. Acesta este semnătura clasică a diluției de semnal: informația este prezentă, dar nu este accesibilă, fiindcă se pierde într-o masă de material concurent. Lecția următoare explică de ce.

Dacă recunoști oricare dintre aceste patru semnale într-un proiect propriu, ești deja, fără să fi cerut-o, în mijlocul unei probleme de context engineering. Restul cursului îți dă instrumentele pentru a o rezolva sistematic, în loc să o tratezi prin tatonări la nivel de prompt.

O scurtă istorie a tranziției: 2023–2026

Merită să înțelegi de ce această disciplină apare acum și nu mai devreme, fiindcă istoria explică structura competenței.

În 2023, modelele aveau ferestre mici și erau folosite predominant conversațional: o întrebare, un răspuns. Promptingul era întreaga poveste, iar few-shot-ul era tehnica de vârf. În 2024, ferestrele au crescut și au apărut primele tipare de tip retrieval-augmented generation, dar contextul rămânea, în mare, ceva ce compuneai manual înainte de apel.

Saltul calitativ vine cu maturizarea agenților: sisteme care apelează tool-uri în buclă, rulează zeci sau sute de pași și produc singure o mare parte din propriul context. În acest regim, omul nu mai poate compune manual fiecare fereastră, fiindcă fereastra se rescrie singură la fiecare pas. A apărut astfel nevoia de strategii — reguli și mecanisme care decid automat compoziția contextului. Postul Anthropic „Effective context engineering for AI agents" numește și sistematizează exact acest set de strategii, ridicând o practică ad-hoc la rang de disciplină.

Cu alte cuvinte, context engineering nu a „înlocuit" promptingul; a devenit indispensabil abia când agenții au făcut gestionarea manuală a contextului imposibilă. Dar a înțelege de ce a apărut disciplina nu este totuna cu a ști cum aloci un buget de tokeni, cum contracarezi context rot sau cum proiectezi memoria care ține un agent lucid ore în șir. De aici încolo, fiecare lecție îți pune în mână câte un instrument concret pentru a rezolva sistematic ceea ce, până acum, doar ai învățat să recunoști.

Rezumat

• Promptingul optimizează un mesaj; context engineering optimizează întreaga fereastră de inferență a unui agent multi-pas.
• Contextul este o resursă finită; mai mult nu înseamnă mai bine, din cauza fenomenului de context rot.
• Principiul Anthropic: caută cel mai mic set de tokeni de mare semnal care rezolvă sarcina.
• Disciplina se așază deasupra lui it-02 (scrierea promptului) și completează it-05 (construcția agentului) cu stratul de context și memorie.