De prompt engineering a context engineering

TL;DR

Prompt engineering é sobre a frase certa. Context engineering é sobre o ambiente informacional inteiro que cerca o agente: documentos retrieved, tool definitions, memória, histórico, system instructions, scratchpad. Karpathy resumiu em junho de 2025: “o LLM é a CPU, a janela de contexto é a RAM, e você é o sistema operacional responsável por carregar a informação certa para cada tarefa”. Em 2026, Anthropic chamou context engineering de “load-bearing skill” — a habilidade que sustenta tudo o que vem depois.

A evolução

graph LR
    A[2022-2023<br/>Prompt engineering<br/>'a frase certa'] --> B[2024<br/>RAG + system prompts<br/>'o documento certo']
    B --> C[2025<br/>Context engineering<br/>'o ambiente certo']
    C --> D[2026<br/>Context as architecture<br/>'a infraestrutura certa']

Era	Foco	Métrica de sucesso
Prompt engineering	Wording, few-shot examples, técnicas de raciocínio	Resposta correta numa caixa de chat
RAG	Recuperar documentos relevantes	Top-k de qualidade
Context engineering	Montar dinamicamente o ambiente do modelo	Agente robusto em sessões longas
Context as architecture	Tratar contexto como sistema versionado, governado	Reprodutibilidade, auditoria

A definição operacional

Context engineering é a disciplina de decidir o que entra na janela de contexto, o que é comprimido, o que é recuperado on-demand, e o que é descartado.

Cinco fontes de contexto que coexistem:

1. instructions — quem o agente é, regras
2. Memória persistente — CLAUDE.md, AGENTS.md, fatos do usuário
3. Histórico de conversa — o que foi dito até agora
4. Tool definitions — schemas das ferramentas disponíveis
5. Retrieval dinâmico — documentos, código, dados buscados durante a tarefa

Karpathy (junho de 2025)

“+1 for ‘context engineering’ over ‘prompt engineering’. People associate prompts with short task descriptions you’d give an LLM in your day-to-day use. When in every industrial-strength LLM app, context engineering is the delicate art and science of filling the context window with just the right information for the next step.”

Por que prompts não bastam

Em 2026, qualquer aplicação LLM séria precisa lidar com:

• Sessões longas — agentes podem rodar por horas, milhões de tokens
• Múltiplas fontes — código, docs, conversa, ferramentas, memória
• Atenção finita — a janela cresce, mas a atenção do modelo dilui (03 - Context rot e atenção diluída)
• Custo — cada token custa dinheiro e degrada qualidade (Economia de Tokens)
• Estado — o que o agente já sabe, já tentou, já decidiu

Um prompt bem escrito não resolve nenhum desses problemas. Context engineering, sim.

A analogia do sistema operacional

Karpathy popularizou o framing em 2025:

Componente clássico	Equivalente em LLM agent
CPU	LLM (faz a “computação”)
RAM	Janela de contexto
Disco	Memória persistente (arquivos, vector store)
Sistema operacional	Você (decide o que carregar quando)
Cache	Prompt caching (Economia de Tokens)
Page faults	Just-in-time retrieval (06 - Dynamic retrieval beyond RAG)

A consequência: tratar contexto como recurso finito é começar a pensar como engenheiro de sistema, não como redator de prompts.

O que muda na prática

Antes (prompt engineering)	Depois (context engineering)
“Preciso da frase mágica"	"Preciso da pipeline de montagem certa”
Trabalho one-shot	Trabalho contínuo, evolutivo
Output: bom prompt	Output: arquitetura de contexto + governança
Skill individual	Skill de equipe (compartilhada via 11 - Skills e instructions como contexto)
Iteração: editar texto	Iteração: editar pipeline, tools, memória

Veja também

• 02 - Os quatro pilares — prompt, context, intent, specification
• 03 - Context rot e atenção diluída
• 04 - Context pipelines — montagem dinâmica
• Agentes de Codificação — onde context engineering vive na prática

Referências

• Andrej Karpathy — Tweet on context engineering (jun 2025).
• Anthropic — Effective context engineering for AI agents (2025).
• Bytebytego — A Guide to Context Engineering for LLMs (2026).
• Atlan — Context Engineering Framework for Enterprise AI (2026).