Context engineering

IA / LLM 🔴 Senior

Définition

Ensemble des stratégies pour choisir et maintenir le meilleur jeu de tokens dans la fenêtre à chaque appel : au-delà du prompt, cela couvre outils, historique, documents, mémoire. Anthropic (29 septembre 2025) le distingue du prompt engineering et décrit le « context rot » : plus le contexte grossit, moins le rappel est fiable. Techniques : compaction, prise de notes structurée, récupération juste-à-temps, sous-agents.

Analogie

Ranger son bureau avant chaque tâche : seuls les dossiers utiles restent ouverts, le reste va dans l'armoire étiquetée.

Exemple de code

// Compaction maison quand l'historique dépasse un seuil
async function compact(history: Anthropic.MessageParam[]) {
  const summary = await client.messages.create({
    model: 'claude-haiku-4-5', max_tokens: 1500,
    messages: [{ role: 'user', content:
      `Résume cette conversation pour un agent qui doit la reprendre :
       décisions prises, fichiers modifiés, problèmes ouverts, prochaines étapes.
       <history>${JSON.stringify(history.slice(0, -4))}</history>` }],
  });
  return [
    { role: 'user' as const, content: `<resume_contexte>${summary.content[0].text}</resume_contexte>` },
    ...history.slice(-4),                       // on garde les derniers tours intacts
  ];
}
// + notes dans un fichier (mémoire), outils de lecture à la demande plutôt que tout charger

Cas d'usage

Agents longs (heures), assistants sur gros dépôts, tout système où le coût par tour dérive.

Anti-pattern

Ajouter du contexte « au cas où » : chaque token superflu dilue l'attention et coûte à chaque tour.

Termes liés

#ia#agents#architecture#interview

En entretien

Explique-moi ce qu'est le context engineering.
C'est l'ensemble des stratégies pour choisir et maintenir le meilleur jeu de tokens dans la fenêtre à chaque appel — pas seulement le prompt, mais aussi les outils, l'historique, les documents et la mémoire. Anthropic le distingue du prompt engineering et décrit le « context rot » : plus le contexte grossit, moins le rappel est fiable.
Quand est-ce que tu utiliserais la compaction plutôt que de tout garder en mémoire ?
Sur des agents longs, qui tournent des heures, ou des assistants sur de gros dépôts où le coût par tour dérive sinon. On résume l'historique en gardant les décisions prises, fichiers modifiés et prochaines étapes, plutôt que de tout traîner.
Pourquoi ajouter du contexte « au cas où » est un piège ?
Chaque token superflu dilue l'attention du modèle et coûte à chaque tour, ce qui va à l'encontre du but recherché. Il vaut mieux faire de la récupération juste-à-temps que de tout charger par précaution.

Sources

Fiche mise à jour le 2026-09-27