Inżynieria kontekstu: dawaj agentowi to, czego potrzebuje, nie wszystko
Dlaczego to, co wkładasz w okno kontekstu, decyduje o jakości, koszcie i bezpieczeństwie agenta — i dyscyplina składania właściwego kontekstu na każdym kroku.
Definicja
Inżynieria kontekstu to dyscyplina decydowania, jaka informacja wchodzi w okno kontekstu agenta na każdym kroku — instrukcje, pobrana wiedza, wyniki narzędzi i pamięć — by maksymalizować trafność, kontrolując koszt i unikając rozproszenia lub wstrzykniętej treści.
Największą dźwignią na zachowanie agenta nie jest model ani prompt — jest to, co ląduje w oknie kontekstu na każdym kroku. Inżynieria kontekstu to dyscyplina robienia tego dobrze i decyduje naraz o jakości, koszcie i bezpieczeństwie.
Więcej niż inżynieria promptów
Inżynieria promptów poleruje brzmienie instrukcji. Inżynieria kontekstu rządzi całym ładunkiem, który model widzi na każdym kroku: instrukcjami, pobraną wiedzą, wynikami narzędzi, pamięcią. Dla agenta zapętlającego się wielokrotnie żadne polerowanie promptu nie uratuje kontekstu pełnego nietrafnego lub wrogiego materiału. Składanie właściwego kontekstu to umiejętność wyższego rzędu.
| Wymiar | Inżynieria promptów | Inżynieria kontekstu |
|---|---|---|
| Zakres | Brzmienie jednej instrukcji | Cały ładunek na każdym kroku |
| Kontroluje | Jak pyta się model | Co model faktycznie widzi |
| Liczy się najbardziej dla | Promptów jednoturowych | Agentów wielokrokowych |
| Dźwignia na | Jakość sformułowania | Jakość, koszt i bezpieczeństwo |
Dlaczego minimalny bije maksymalny?
Odruch to dać modelowi wszystko „na wszelki wypadek“. Mści się na trzy sposoby:
- Rozcieńczona uwaga. Model ma skończony fokus; wypełniacz zakopuje potrzebny sygnał.
- Koszt. Każdy token jest opłacany w każdej iteracji. Rozdęty kontekst to powracający podatek.
- Powierzchnia ataku. Więcej włączonej treści to więcej miejsca, by wstrzyknięty lub zatruty materiał przyjechał z nią.
Trafny, minimalny kontekst bije duży we wszystkich trzech.
Dobre składanie kontekstu
Traktuj każdy krok jako świeży problem składania:
- Instrukcje zadania — jasne i stabilne.
- Pobrana wiedza — tylko ta trafna teraz, nie cała baza; tu liczą się architektura pamięci i jakość retrievalu.
- Wyniki narzędzi — to, czego potrzebuje bieżący krok, walidowane jako niezaufane dane.
- Pamięć — minimum wymagane, oznaczone poziomem zaufania.
Potem resztę odrzuć. Składaj na nowo per krok, zamiast nieść wciąż rosnący zapis dalej.
Kontekst to też granica bezpieczeństwa
Ponieważ model traktuje wszystko w kontekście jako równie realne, inżynieria kontekstu jest też kontrolą bezpieczeństwa. Oznaczaj pochodzenie, trzymaj niezaufaną treść poza przestrzenią instrukcji i nigdy nie pozwól, by pobrany tekst po cichu stał się poleceniem. Dobre składanie kontekstu to miejsce, gdzie spotykają się jakość orkiestracji i bezpieczeństwo: agent widzi to, czego potrzebuje, by dobrze wykonać robotę, i nic, co pozwala obrócić go przeciw Tobie. Inżynieria kontekstu to jedna z warstw szerszej dyscypliny — zobacz, jak łączy się z resztą w agentic engineering. Pojęcia są w słowniku.
Najczęstsze pytania
Czym inżynieria kontekstu różni się od inżynierii promptów?
Inżynieria promptów dopracowuje brzmienie pojedynczej instrukcji — jak sformułować prośbę, by model dobrze odpowiedział. Inżynieria kontekstu to szersza dyscyplina decydowania o całym ładunku, który model widzi na każdym kroku: instrukcjach, pobranej wiedzy, wynikach narzędzi i pamięci, w tym co włączyć i — równie ważne — co pominąć. Dla jednorazowego promptu obie niemal się pokrywają, ale dla agenta zapętlającego się wielokrotnie rozjeżdżają się ostro, bo żadne polerowanie jednej instrukcji nie uratuje kontekstu pełnego nietrafnych dokumentów, nieaktualnego wyjścia narzędzi czy wrogiego wstrzykniętego tekstu. Model obsługuje wszystko w oknie, jakby było równie zamierzone, więc to, co składasz wokół instrukcji, często liczy się bardziej niż sama instrukcja. Praktyczne przesunięcie wiedzie od optymalizacji jednego ciągu do inżynierii procesu składania per krok: wybierania, porządkowania, oznaczania i przycinania tego, co wchodzi w okno. Inżynieria promptów to umiejętność wewnątrz inżynierii kontekstu, nie jej zastępstwo, a dla agentów to w składaniu mieszka większość dźwigni.
Dlaczego więcej kontekstu nie znaczy lepiej?
Bo model ma skończoną uwagę, a płacisz za każdy token, więc dodawanie kontekstu ma realne koszty, które szybko przeważają nad krańcową korzyścią. Pierwszy koszt to rozcieńczona uwaga: wypełnienie okna marginalnie trafnym materiałem zakopuje kilka faktów, których model naprawdę potrzebuje, a jakość spada, mimo że dodałeś informacje. Drugi to pieniądze i opóźnienie: każdy token jest opłacany w każdej iteracji pętli, więc rozdęty kontekst to powracający podatek, nie jednorazowy wydatek, i kumuluje się przez długi przebieg. Trzeci to bezpieczeństwo: każdy dodatkowy dokument lub wynik narzędzia to więcej powierzchni, by wstrzyknięta lub zatruta treść przyjechała do pola widzenia modelu, a im więcej niezaufanego materiału jest obecne, tym więcej szans ma wroga instrukcja, by zostać wykonaną. Trafny, minimalny kontekst bije duży we wszystkich trzech wymiarach naraz. Odruch, by włączyć wszystko na wszelki wypadek, wydaje się bezpieczny, lecz zwykle jest złą wymianą — dyscyplina to włączyć to, czego potrzebuje bieżący krok, i rozmyślnie odrzucić resztę.
Jak wygląda dobre składanie kontekstu?
Traktuj każdy krok jako świeży problem składania, zamiast nieść wciąż rosnący zapis dalej. Włącz cztery rzeczy i nic więcej: instrukcje zadania, trzymane jasno i stabilnie; tylko tę pobraną wiedzę, która jest naprawdę trafna na bieżącym kroku, nie całą bazę, i tu architektura pamięci oraz jakość retrievalu zarabiają na siebie; wyniki narzędzi potrzebne na bieżącym kroku, walidowane jako niezaufane dane; oraz minimalną wymaganą pamięć, oznaczoną poziomem zaufania. Potem odrzuć całą resztę. Dwa nawyki, które to umożliwiają, to składanie na nowo per krok, by kontekst odzwierciedlał to, czego agent potrzebuje teraz, a nie wszystko, co kiedykolwiek widział, oraz oznaczanie pochodzenia, by system wiedział, które części to zaufane instrukcje, a które niezaufana treść. Dobre składanie jest selektywne z założenia, a addytywne tylko z powodem: zaczynasz od minimum, które mogłoby wykonać zadanie, i dodajesz element dopiero, gdy jego brak powoduje konkretną awarię. Zrobione dobrze, agent widzi na każdym kroku ciasny, trafny, świadomy pochodzenia kontekst, co jednocześnie poprawia jakość, obniża koszt i kurczy powierzchnię ataku.
Czy większe okno kontekstu znosi potrzebę inżynierii kontekstu?
Nie — większe okno kontekstu zmienia budżet, nie dyscyplinę, a pod pewnymi względami czyni inżynierię kontekstu ważniejszą, nie mniej. Kusi, by milionowe okno tokenów odczytać jako pozwolenie, by przestać selekcjonować i po prostu wlać wszystko, ale te same trzy problemy trwają w większej skali. Uwaga wciąż jest skończona: modele wykazują tak zwane gnicie kontekstu (context rot), gdy trafne fakty pogrzebane w ogromnym kontekście są obsługiwane mniej niezawodnie niż te same fakty w ciasnym, więc jakość potrafi spaść, mimo że dodajesz więcej. Koszt wciąż skaluje się z tokenami w każdej iteracji, więc rozdęty kontekst to powracający podatek, który większe okno łatwiej nabić. A powierzchnia ataku wciąż rośnie z każdym dodatkowym dokumentem, dając wstrzykniętej lub zatrutej treści więcej miejsca, by przyjechała z nią. Większe okno jest naprawdę użyteczne — podnosi pułap tego, co możesz włączyć, gdy trzeba — ale celem pozostaje trafność, nie objętość. Wykorzystaj dodatkowe miejsce, by pełniej włączyć właściwe rzeczy, nie by porzucić decyzję o tym, co należy.