Контекст-инжиниринг: почему будущее ИИ зависит не от подсказок, а от того, как мы управляем вниманием модели
Кратко: Anthropic — это исследовательская и продуктовая компания в области искусственного интеллекта, ориентированная на безопасность и этичность. (anthropic.com)
Anthropic — это исследовательская и продуктовая компания в области искусственного интеллекта, ориентированная на безопасность и этичность. (anthropic.com)
Они позиционируют себя как public benefit corporation — то есть с миссией приносить пользу обществу и снижать риски, связанные с развитием ИИ. (anthropic.com)
Их главный продукт — семейство моделей под брендом Claude (Claude, Claude Code и др.). (anthropic.com)
Они публикуют результаты исследований, работают над политиками безопасности и прозрачности, поддерживают документы для разработчиков. (anthropic.com)
У них есть также образовательная инициатива — Anthropic Academy, и публичные обещания в части ответственного масштабирования ИИ. (anthropic.com)
Anthropic опубликовал статью «Effective context engineering for AI agents» (https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents). Вот самое интересное из нее:
Контекст — это один из ключевых, но ограниченных ресурсов для работы ИИ-агентов. И если раньше основное внимание уделялось тому, что именно мы говорим модели, то сегодня всё большее значение приобретает вопрос: что именно она знает в момент, когда принимает решение.
Именно это и есть контекст-инжиниринг — новый подход к созданию умных агентов, который меняет само представление о том, как строить системы на основе больших языковых моделей (LLM).
От prompt-инжиниринга к context-инжинирингу
Несколько лет назад все обсуждали prompt engineering — искусство написания правильных подсказок. Смысл был в том, чтобы подобрать точные слова и инструкции, которые приведут к нужному результату.
Сегодня фокус смещается. Теперь главный вопрос звучит так: какая конфигурация контекста с наибольшей вероятностью вызовет нужное поведение модели.
Под контекстом понимается набор токенов, передаваемых модели при генерации ответа. Задача инженера — оптимизировать этот набор так, чтобы в рамках ограничений модели он давал максимально полезный результат. Это требует мышления «в контексте»: учитывать всё состояние, доступное модели в момент запроса, и понимать, какие варианты поведения оно может породить.
Prompt vs. Context: в чём разница
Prompt-инжиниринг — это создание и структурирование инструкций. Контекст-инжиниринг — это более широкий процесс, включающий стратегии отбора, обновления и поддержки всей информации, которая окажется в окне внимания модели.
Раньше промпты были главной частью работы, потому что большинство задач сводилось к одноразовой генерации текста или классификации. Но когда мы начинаем строить более сложных агентов, работающих в несколько шагов и на длинной дистанции, нужно уметь управлять всей контекстной средой: системными инструкциями, инструментами, данными, историей сообщений и т.д.
Агенты, работающие в цикле, генерируют всё больше данных, которые могут быть полезны на следующем шаге. Поэтому контекст нужно постоянно перерабатывать, сокращать, фильтровать и обновлять. Контекст-инжиниринг — это как редактура: из бесконечного объёма информации мы выбираем то, что действительно важно.
Почему это важно
Даже самые мощные LLM теряют фокус при слишком большом объёме контекста. Исследования показывают феномен context rot — чем больше токенов в окне, тем хуже модель вспоминает нужную информацию.
Причина в архитектуре трансформеров: каждый токен «смотрит» на каждый другой, и по мере роста их количества внимание «размазывается». Кроме того, большинство моделей обучены на коротких последовательностях, поэтому с длинным контекстом они справляются хуже.
Именно поэтому контекст — это ресурс с ограниченной «внимательной ёмкостью». У модели, как и у человека, есть «бюджет внимания», и каждый новый токен его уменьшает.
Как выглядит хороший контекст
Главный принцип — минимум токенов, максимум смысла. На практике это означает следующее:
1. Системные подсказки
Они должны быть максимально понятными и прямыми. Не нужно ни чрезмерной детализации (это делает систему хрупкой), ни слишком общих фраз (они не дают модели чётких сигналов). Найти «золотую середину» — значит задать конкретное направление и оставить пространство для гибкости.
Полезно структурировать подсказки по секциям (
<background_information>,<instructions>,## Tool guidance,## Output descriptionи т.д.) и чётко отделять их с помощью XML-разметки или Markdown-заголовков. Главное — ясность и достаточность информации, а не её объём.2. Инструменты
Инструменты — это то, что позволяет агенту взаимодействовать с внешним миром. Они должны быть простыми, чётко описанными и не пересекаться по функциям. Параметры — однозначными.
Одна из типичных ошибок — слишком большой набор инструментов. Если человек не может однозначно выбрать нужный инструмент, модель тоже не сможет.
3. Примеры
Примеры (few-shot prompting) остаются важнейшим способом обучения модели. Но лучше дать несколько качественных и показательных примеров, чем длинный список краевых случаев. Примеры для модели — это как «картинки», которые лучше тысячи слов.
Динамический контекст и поиск в реальном времени
Современные агенты всё чаще используют подход «just-in-time» — то есть не загружают всё заранее, а подтягивают нужные данные в момент выполнения.
Например, агент может хранить только пути к файлам или ссылки, а нужную информацию загружать инструментами по мере необходимости. Claude Code работает именно так: пишет запросы к БД, анализирует результаты через
headиtail, не загружая всю базу данных в контекст.Такой подход ближе к человеческому мышлению: мы не запоминаем всё подряд, а пользуемся файлами, папками, поиском и закладками.
Плюсы: меньше токенов, больше гибкости.
Минусы: динамическая загрузка медленнее и требует чёткой инженерии.Иногда наилучший результат даёт гибридная стратегия — часть данных подгружается заранее, часть — по мере работы. Например, Claude Code загружает файл
CLAUDE.mdсразу, а затем использует командыglobиgrepдля навигации и поиска файлов.
Контекст на длинной дистанции
Если задача длится десятки минут или часы (например, миграция кода или исследование), контекстное окно становится узким местом. Решений три:
1. Компактизация
Сжатие истории взаимодействия до краткой, но информативной сводки. Агент отбрасывает лишние детали, но сохраняет архитектурные решения и ключевые факты.
2. Структурированные заметки (память)
Агент записывает важные данные вне контекста и подгружает их по мере необходимости. Это позволяет отслеживать прогресс и помнить ключевые детали даже после «сброса» контекста.
3. Подагенты
Вместо одного «всезнающего» агента создаются специализированные подагенты с собственным контекстом. Главный агент объединяет результаты. Это повышает точность и масштабируемость системы.
Итог
Контекст-инжиниринг — это не мода и не новый маркетинговый термин. Это фундаментальный сдвиг в том, как мы строим системы на базе LLM.
Создать хороший промпт — это только начало. Настоящая работа начинается тогда, когда нужно решить, какая именно информация попадёт в ограниченное окно внимания модели.
- Сжимайте контекст, если задача длительная.
- Проектируйте инструменты, экономные по токенам.
- Позвольте агенту искать нужные данные «по требованию».
Главный принцип остаётся прежним: найдите минимальный набор максимально значимых токенов, который повысит шанс на нужный результат.
По мере роста возможностей моделей роль человека будет смещаться от написания инструкций к проектированию информационной среды. Но даже в будущем контекст останется тем самым «вниманием», с которым нужно обращаться бережно, если мы хотим создавать надёжных и эффективных ИИ-агентов.
✍️ Перевод и адаптация по материалу Anthropic Applied AI с использованием искусственного интеллекта.
Вопросы по материалу
О чем этот материал?
Anthropic — это исследовательская и продуктовая компания в области искусственного интеллекта, ориентированная на безопасность и этичность. (anthropic.com)
Кто автор материала?
Материал подготовил Игорь Колосов. Автор материалов о продуктивности, IT, управлении, нейросетях и инструментах для работы и жизни.
Когда материал опубликован или обновлен?
Дата публикации: 14.10.2025. Последнее обновление: 14.12.2025.