Context Engineering для AI-агентів, що працюють над тривалими завданнями

Промпт підказує моделі, що робити в конкретний момент. Агенту потрібно більше: робочий стан, який підтримується й залишається корисним після викликів інструментів, помилок, нових знахідок і тривалої роботи. Саме в цьому практична різниця між prompt engineering і context engineering.

Anthropic описує context engineering як добір і впорядкування інформації, доступної моделі: системних інструкцій, інструментів, зовнішніх даних та історії повідомлень. Головне обмеження — не лише максимальний розмір контекстного вікна, а релевантність. Більше вікно може вмістити більше шуму, застарілих спостережень і повторюваних результатів інструментів поряд із доказами, які справді важливі.

Почніть із контракту контексту

Перш ніж оптимізувати токени, визначте, що агент має знати в кожній точці ухвалення рішення:

• мету й умову завершення;
• обов’язкові обмеження, які не можна порушувати;
• поточний стан і вже виконану роботу;
• погоджені інструменти й межі доступу до даних;
• докази, потрібні для наступної дії;
• невирішені помилки, ризики та питання, що потребують рішення власника.

Це не те саме, що помістити всю історію проєкту в один промпт. Контекст має бути достатнім, а не вичерпним.

Відокремлюйте сталі інструкції від змінного стану

Сталі правила мають міститися в передбачуваному шарі з керуванням версіями. Поточний поступ — у стислому записі статусу. Великі матеріали джерел слід тримати поза промптом, доки не виникне потреба в retrieval. Інструменти мають повертати мінімальну корисну структуру, а не повне вивантаження системи.

Таке розділення спрощує розуміння змін. Якщо поведінка змінилася після нового правила, результату інструмента або оновлення стану, команда може визначити відповідальний шар, а не порівнювати два непрозорі масиви промптів.

Отримуйте потрібні матеріали вчасно

Попереднє завантаження кожного потенційно корисного документа здається безпечним, але змушує модель на кожному кроці шукати серед нерелевантних матеріалів. Кращий підхід — progressive disclosure: спочатку показати невеликий каталог доступних джерел, а подробиці отримувати тоді, коли цього потребує завдання.

Файли, ідентифікатори записів бази даних і посилання на джерела можуть залишатися посиланнями до моменту, коли знадобляться. Агент має зберігати посилання на докази, щоб навіть стислі нотатки можна було зіставити з оригінальними джерелами. Retrieval — це не лише пошук релевантного тексту, а й збереження достатніх відомостей про його походження для подальшої перевірки рішення.

Стискайте контекст, не стираючи рішень

Тривалі завдання зрештою потребують compaction — ущільнення контексту. Якісне ущільнення зберігає цілі, архітектурні рішення, обмеження, невирішені проблеми, невдалі підходи й посилання на джерела. Воно прибирає зайві частини розмови, спостереження, замінені актуальнішими, та об’ємні результати, уже збережені в іншому місці.

Найгірший підсумок — той, у якому невдалий шлях виглядає так, ніби його ніколи не було. Саме відомості про цю невдачу можуть не дати наступній сесії повторити ту саму помилку.

Для підзавдань із великим обсягом дослідження ізоляція може бути кращою за стискання. Окремий виконавець може опрацювати великий корпус і повернути пакет доказів у визначених межах. Головний агент зберігає фокус, але передавання має бути самодостатнім: виконавець не поділяє всіх прихованих припущень.

Залишайте артефакти для наступної сесії

У роботі Anthropic над агентами для тривалих завдань наголошують на безперервності через явно збережені артефакти. Ставтеся до агента як до інженера, який передає проєкт наступній зміні. Записуйте, що змінилося, що перевірили, що досі не працює та що потрібно зробити далі. Репозиторій, журнал завдань або структурований документ статусу надійніші, ніж сподівання, що модель відновить стан із довгої розмови.

Практичний чекліст перевірки

У кожній контрольній точці запитуйте:

1. Чи залишається мета видимою й актуальною?
2. Яка інформація є авторитетним джерелом, а яка — лише спостереженням?
3. Чи не застаріли результати роботи якогось інструмента?
4. Чи можна перенести об’ємні матеріали до сховища, зберігши можливість їх отримати?
5. Чи збережено рішення, невдалі спроби й посилання на джерела?
6. Чи зможе новий агент продовжити роботу за письмовими артефактами?

Context engineering — не спосіб робити промпти довшими. Це дисципліна визначення того, що агенту можна бачити зараз, що він може отримати пізніше й що взагалі має зберігатися поза моделлю.

Про постійне збереження знань читайте в матеріалі «Як побудувати систему знань AI зі збереженням походження даних», а про регресійне тестування — у статті «Як оцінити AI-агента».

Першоджерела

• Anthropic: Effective context engineering for AI agents
• Anthropic: Effective harnesses for long-running agents
• Anthropic: Writing effective tools for agents

Примітка про джерела й адаптацію: стаття спирається на концепції керування контекстом з AI Agents in Depth: Design Principles and Engineering Practice авторства Bojie Li та співавторів, поширюваної за Apache License 2.0, а також на наведені первинні інженерні джерела. Матеріал самостійно переписано, реорганізовано й розширено для Stariy.com.