Capítulo 2.3 — Prompt engineering e context engineering¶
🎯 Objetivo¶
Diferenciar prompt engineering (formular instruções) de context engineering (montar o conjunto correto de informações que o modelo verá).
🧠 Mudança de mentalidade¶
Prompt engineering: como pedir melhor?
Context engineering: o que merece entrar no contexto, em que ordem,
com que formato, com que confiança e com qual orçamento?
🏗️ Camadas de contexto¶
- Normativa: system instructions, políticas, escopo.
- Identidade e tenant: usuário, organização, papéis, permissões.
- Situacional: tarefa, parâmetros, histórico recente.
- Operacional: tools disponíveis, tool results, checkpoints.
- Cognitiva: plano, working memory, hipóteses transitórias.
- Grounding: documentos, citações, fatos recuperados.
- Contrato de saída: schema, formato, critérios de sucesso.
🚨 Anti-padrões de contexto¶
- Jogar documentos inteiros no prompt.
- Misturar instruções com dados do usuário.
- Tool descriptions enormes.
- Histórico infinito.
- Memória sem consentimento.
- Contexto sem source IDs.
- Structured output apenas no prompt (sem schema nativo).
🛡️ Prompt caching¶
- Reduz custo e latência quando há prefixos estáveis.
- Funciona melhor com instruções, políticas e schemas de tools no início.
- Cuidado: caching mal desenhado pode mascarar mudança de política ou versão. Inclua versão nos metadados de execução.
📚 Referências¶
- Anthropic - Effective context engineering for AI agents: https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
- OpenAI - Prompt caching: https://developers.openai.com/api/docs/guides/prompt-caching