От промптов к контексту: новая парадигма
Anthropic вводит термин context engineering (контекст-инжиниринг), позиционируя его как эволюцию промпт-инжиниринга. Если раньше фокус был на формулировке инструкций для однократных задач, то для многошаговых AI-агентов критически важно управлять всем состоянием контекста: системными инструкциями, историей сообщений, данными из MCP (Model Context Protocol) и результатами работы инструментов.
Контекст-инжиниринг — это итеративный процесс курирования токенов. Поскольку контекстное окно ограничено, а агенты генерируют всё больше данных, необходимо постоянно отсекать «шум» и оставлять только высокоинформативные токены, чтобы модель не теряла фокус.
Проблема «контекстного гниения» (Context Rot)
Исследования Anthropic выявили феномен context rot: по мере увеличения количества токенов в окне способность модели точно вспоминать информацию снижается. Это связано с архитектурой трансформеров, где каждый токен взаимодействует с каждым (n² связей). При длинных последовательностях «бюджет внимания» распределяется слишком широко, что снижает точность извлечения данных и логического вывода.
Анатомия эффективного контекста
Для борьбы с деградацией производительности Anthropic рекомендует следующие практики:
- Системные промпты: Использовать принцип «золотой середины» (right altitude). Избегать как хрупких жёстких логики (if-else), так и слишком общих формулировок. Оптимально — чёткие эвристики, разделённые XML-тегами или Markdown-заголовками.
- Инструменты (Tools): Должны быть самодостаточными, с понятными параметрами. Главная ошибка — создание раздутых наборов инструментов с перекрывающейся функциональностью, что перегружает контекст.
- Минимализм: Стремиться к наименьшему набору токенов, достаточному для выполнения задачи. Тестировать на лучших моделях, а затем оптимизировать на основе ошибок.
Сравнение подходов
| Критерий | Prompt Engineering | Context Engineering |
|---|---|---|
| Фокус | Формулировка инструкций | Управление состоянием токенов |
| Длительность | Однократные запросы | Многошаговые агенты (loops) |
| Основная проблема | Неправильный запрос | Context rot и перегрузка внимания |
| Решение | Оптимизация текста | Курирование и фильтрация данных |
Почему это важно
По мере усложнения AI-агентов, способность модели удерживать внимание становится узким местом. Игнорирование контекст-инжиниринга приводит к непредсказуемому поведению и ошибкам в долгосрочных сценариях. Оптимизация контекста позволяет достичь стабильности без необходимости бесконечного расширения контекстного окна.
Источник: Anthropic ↗