Словарь ИИ
Что такое контекст-инжиниринг
Коротко
Контекст-инжиниринг это подбор всего, что попадает к модели перед ответом: инструкций, документов, истории диалога, описаний инструментов и памяти, чтобы ИИ-агент работал точно и недорого.
Промпты · context engineering
Михаил МозгПроверено: 1 минута чтения
Ребенку
Перед контрольной у тебя маленький рюкзак, и все учебники в него не влезут. Ты кладешь только нужное: тетрадь по теме, линейку, ручку. Если набить его всем подряд, нужную тетрадь не найдешь. ИИ тоже работает с маленьким рюкзаком памяти, и взрослые решают, что положить туда для каждого задания.
Простыми словами
Модель видит только то, что лежит перед ней в момент ответа. Сюда входят не одни слова задания, но и найденные документы, прошлые сообщения, результаты поиска, список доступных программ. Места немного, и чем больше лишнего, тем хуже модель замечает главное. Контекст-инжиниринг решает, что подложить, что убрать и в каком порядке. Например, агент поддержки получает карточку клиента и два свежих обращения, а не всю переписку за год.
Для бизнеса
Для компании это причина, по которой один и тот же ИИ-агент в одной фирме работает, а в другой путается. Качество зависит не только от модели, но и от того, какие сведения из CRM, базы знаний и истории он получает на каждом шаге. Лишний текст стоит денег, потому что каждый токен оплачивается, и вдобавок снижает точность. Что проверить до запуска: откуда агент берет сведения, как обновляется база, что он забывает между сессиями, как сжимается длинная история. Такие решения принимают при проектировании ИИ-отдела, а не после жалоб клиентов.
Для специалиста
Контекст-инжиниринг (context engineering) это управление всем набором токенов, который модель получает при каждом вызове: системная инструкция, инструменты, внешние данные, история сообщений, память. Anthropic в статье от 29 сентября 2025 года описывает его как развитие промпт-инжиниринга для агентов, работающих много шагов, и формулирует цель: найти наименьший набор информативных токенов, который повышает вероятность нужного результата. Основание: с ростом длины точность извлечения падает (context rot), а у трансформера ограниченный бюджет внимания. Liu и др. (2023) показали, что модели хуже используют сведения из середины длинного контекста. Приемы: извлечение по требованию (just-in-time retrieval) вместо загрузки всего сразу, сжатие истории (compaction), структурированные заметки во внешней памяти, подагенты с чистым окном, которые возвращают краткие сводки, компактные неперекрывающиеся инструменты, RAG для документов.
Пример
Агент проверяет счета поставщиков. Вместо всего архива он получает договор с этим поставщиком, прошлый счет и правила оплаты, а итоги проверки записывает в заметку и не держит в памяти весь разговор.
Связанные термины
Вопросы и ответы
Чем контекст-инжиниринг отличается от промпт-инжиниринга?
Зачем ограничивать контекст, если окно у моделей большое?
Источники
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений