1 
2Ang salita ng sandali, sa maliit na mundo ng mga ahente ng AI, ay context engineering.
3 
4Tila isa pang label na naimbento para magbenta ng isang bagay na nagawa na natin. Sa bahagi ito ay. Gayunpaman, tulad ng madalas na nangyayari, ang label ay nakakakuha dahil nagbibigay ito ng pangalan sa isang tunay na sakit.
5 
6Ang sakit ay ito: ang mga modelo ay hindi nabigo dahil lamang sa "hindi iniisip". Madalas silang nabigo dahil pinapapunta namin sila sa trabaho na may maling silid.
7 
8Binibigyan namin sila ng mga lumang tagubilin. Itinago namin sa kanya ang mahahalagang file. Ipinapasa namin sa kanila ang mga dokumentong masyadong mahaba at hindi sinasabi kung ano ang mahalaga. Ipinapakita namin sa kanila ang mga log nang walang priyoridad. Binibigyan namin sila ng sampung tool nang hindi ipinapaliwanag kung kailan gagamitin ang mga ito. Pagkatapos ay nagulat kami kung ang ahente ay gumagalaw na parang isang tao na nagising sa isang hindi kilalang apartment.
9 
10Ang prompt ay ang pariralang sinasabi mo dito. Ang konteksto ay ang mundong inihahanda mo sa paligid nito.
11 
12## Mula sa agarang engineering hanggang sa context engineering
13 
14Ang mabilis na engineering ay madalas na naisip bilang pagsulat. Piliin ang mga tamang salita, magtanong sa tamang paraan, magdagdag ng mga halimbawa, tukuyin ang format.
15 
16Ang engineering ng konteksto ay mas malapit sa arkitektura.
17 
18Hindi mo lang itatanong "paano ko i-formulate ang kahilingan?". Nagtatanong ito:
19 
20- anong impormasyon ang talagang kailangan?
21- ano ang ingay?
22- ano ang kailangang mabawi sa mabilisang?
23- ano ang dapat tandaan?
24- aling mga tool ang dapat ilantad?
25- aling mga tagubilin ang matatag at alin ang nakasalalay sa gawain?
26- paano ko ipaunawa sa ahente kung ano ang awtoritatibo?
27 
28Ito ay isang banayad ngunit malaking pagbabago. Dahil kapag nagtatrabaho ka sa mga ahente, ang konteksto ay hindi isang static na bloke. Nagbabago ito sa bawat hakbang.
29 
30Ang ahente ay nagbubukas ng isang file, natututo ng isang bagay, nagpapatakbo ng isang pagsubok, nakatanggap ng isang error, nag-a-update ng plano, tumawag sa isang tool, nakatuklas ng isang dependency. Sa bawat lap ay kailangan niyang magpasya kung ano ang dadalhin niya at kung ano ang iiwan.
31 
32Ito ay engineering.
33 
34## Ang konteksto ay hindi isang landfill
35 
36Ang mga template na may malalaking window ng konteksto ay nagbigay sa amin ng tukso: itapon natin ang lahat.
37 
38Naiintindihan naman. Kung mayroon akong isang milyong token, bakit ako pipili?
39 
40Dahil kahit na kaya mong ilagay ang lahat, hindi ibig sabihin na lahat ay nakakatulong. Sa katunayan, ang ingay ay may halaga. Nagkakahalaga ito ng mga token, nagkakahalaga ng atensyon, nagkakahalaga ng latency, nagkakahalaga ito ng kalidad. Ang isang modelo ay maaaring mawala sa mga hindi nauugnay na detalye tulad ng sa amin kapag nagbukas kami ng dalawampung tab at hindi na namin naaalala kung bakit.
41 
42Ang magandang konteksto ay may hierarchy:
43 
441. mga tagubilin at patakaran ng system;
452. tiyak na layunin;
463. kasalukuyang katayuan;
474. kaugnay na datos;
485. hadlang;
496. magagamit na mga kasangkapan;
507. subaybayan ang mga desisyong nagawa na.
51 
52Hindi na kailangang tratuhin ang lahat sa parehong antas. Ang isang utos ng gumagamit ay nagkakahalaga ng higit sa isang lumang tala. Ang isang nabigong pagsusulit ay nagkakahalaga na ngayon ng higit pa sa isang aesthetic na kagustuhan mula noong nakaraang tatlong buwan. Ang isang patakaran sa seguridad ay mas mahalaga kaysa sa isang shortcut sa produksyon.
53 
54Ang konteksto ng engineering ay nangangahulugan din ng pagbibigay ng mga timbang, hindi lamang ng data.
55 
56## Memorya: mas kaunti ang tandaan, mas mabuting tandaan
57 
58Ang memorya sa mga ahente ay isa sa mga pinaka madulas na paksa.
59 
60Bilang isang user, gusto mong makilala ka ng ahente. Gusto mong tandaan niya ang tono, ang plano, ang mga kombensiyon, ang mga bagay na napagpasyahan na. Bilang isang inhinyero, alam mo na ang bawat paulit-ulit na memorya ay isang panganib din: maaari itong mali, luma, masyadong personal, masyadong generic, hindi mabe-verify.
61 
62Ang isang kapaki-pakinabang na memorya ay dapat magkaroon ng hindi bababa sa tatlong katangian:
63 
64- provenance: saan nagmula ang impormasyong ito?
65- date: kailan naging totoo?
66- layunin: sa anong uri ng gawain ito dapat gamitin?
67 
68Kung wala ang tatlong bagay na ito, ang memorya ay nagiging pamahiin.
69 
70Gusto kong isipin ang agentic memory bilang isang workbook, hindi bilang isang mahiwagang isip. May mga pansamantalang tala, nakumpirma na mga desisyon, mga kagustuhan sa istilo, mga teknikal na hadlang, mga link sa mga mapagkukunan. Nag-e-expire ang ilang bagay. Ang ilan ay kailangang muling isulat. Ang ilan ay dapat na alisin dahil ang ahente ay nagkamali sa kanila.
71 
72Ang isang mahusay na sistema ay dapat gawing normal ang pagpapanatiling ito. Hindi kabayanihan.
73 
74## Ang pagkuha at mga tool ay hindi pareho
75 
76Kapag pinag-uusapan natin ang konteksto, madalas tayong napupunta kaagad sa RAG. Pag-embed, vector database, chunking, reranking.
77 
78Lahat ay kapaki-pakinabang. Ngunit ang pagkuha ay isang paraan lamang upang magdala ng impormasyon sa modelo. Hindi lang siya.
79 
80Ang isang ahente ay makakakuha ng konteksto sa pamamagitan ng pagbabasa ng mga file, pag-query sa isang API, pagtawag sa isang MCP server, pagbubukas ng browser, pagpapatakbo ng mga pagsubok, paghahanap sa Slack, pagtingin sa isang dashboard, pagtatanong sa tao.
81 
82Ang kawili-wiling bahagi ay ang pagpapasya kung aling ruta ang gagamitin at kailan.
83 
84Kung kailangang sagutin ng ahente ang isang makasaysayang tanong, marahil ay sapat na ang pagkuha lamang. Kung kailangan niyang ayusin ang isang bug, kailangan niyang basahin ang totoong code. Kung kailangan niyang maunawaan kung bakit nabigo ang isang deployment, kailangan niyang tingnan ang mga sariwang log. Kung kailangan mong sumulat sa isang customer, kailangan mong kunin ang tono, kasaysayan at katayuan ng tiket. Kung kailangan niyang kumilos sa produksyon, dapat siyang humingi ng pahintulot.
85 
86Ang konteksto ay hindi isang database. Ito ay isang daloy ng trabaho.
87 
88## Ang magaling na ahente ay marunong ding huwag pansinin
89 
90Ang isang tanda ng maturity sa mga ahente ay ang kakayahang sabihin: Hindi ko kailangan ang impormasyong ito.
91 
92Parang walang kuwenta, pero napakahirap. Maraming mga sistemang ahente ang naipon. Nagdaragdag ng text ang bawat tool call. Ang bawat error ay nananatili sa buffer. Ang bawat file na nabasa ay nagdaragdag sa stack. Sa huli ang modelo ay may napakahabang kasaysayan at walang mapa.
93 
94Kailangan ang compression. Kinakailangan ang intermediate synthesis. Kailangan itong maging structured.
95 
96Hindi "iyon lang ang nangyari", ngunit:
97 
98- may bisa pa rin ang layunin;
99- kasalukuyang hypothesis;
100- nasuri na ang mga file;
101- ginawang desisyon;
102- bukas na mga panganib;
103- susunod na aksyon.
104 
105Ginagawa nitong hindi gaanong madula at mas nakakatulong ang ahente. Hindi dahil mukhang mas matalino siya, ngunit dahil nagtatrabaho siya sa isang malinis na mesa.
106 
107## Context engineering para sa mga team, hindi para sa maagap na mga artist
108 
109Ang dahilan kung bakit interesado ako sa paksang ito ay ang paglilipat ng responsibilidad mula sa indibidwal patungo sa sistema.
110 
111Sa mabilis na engineering, ang isa na pinakamahusay na nakakausap sa modelo ay madalas na nanalo. Sa context engineering, panalo ang team na pinakamahusay na nag-aayos ng trabaho nito: dokumentasyon, mga kumbensyon, isyu, log, pagsubok, pagmamay-ari, pagbibigay ng pangalan, mga source.
112 
113Ang isang malinis na imbakan ay nagiging isang mas mahusay na konteksto. Ang isang mahusay na nakasulat na isyu ay nagiging mas mahusay na gasolina. Ang isang na-update na runbook ay nakakatipid ng mga token at pagkabalisa. Ang isang malinaw na changelog ay binabawasan ang mga guni-guni.
114 
115Ito ay mabuti at medyo hindi komportable na balita. Maganda dahil ginagantimpalaan nito ang mabubuting kasanayan. Hindi maginhawa dahil hindi mo malulutas ang lahat gamit ang isang matalinong prompt.
116 
117Pinalalakas ng mga ahente ang kalinisan ng sistemang nahanap nila.
118 
119## Paano ko ito ilalapat bukas
120 
121Kung ilalagay ko ang context engineering sa isang tunay na proyekto, magsisimula ako sa maliliit na bagay:
122 
123- isang maikli at pinapanatili na file ng pagtuturo ng proyekto;
124- magandang halimbawa ng inaasahang output;
125- isang listahan ng mga magagamit na tool at mga kaso kung saan gagamitin ang mga ito;
126- mga desisyon sa arkitektura na nakasulat sa paraang nabanggit;
127- isyu na may pinakamababang mandatoryong konteksto;
128- madaling makuha ang mga log at pagsubok;
129- patuloy na memorya na nababago ng mga tao.
130 
131Pagkatapos ay susukatin ko ang isang simpleng bagay: ilang beses kailangang humingi ng paglilinaw ang ahente o pumunta sa maling direksyon?
132 
133Kung madalas itong mangyari, hindi ako magdadagdag kaagad ng mas malaking modelo. Titingnan ko ang konteksto.
134 
135## Ang aking pagbabasa
136 
137Ang engineering ng konteksto ay medyo tinapa na salita, oo. Ngunit ang konsepto ay tunog.
138 
139Ito ay nagpapaalala sa atin na ang katalinuhan ng isang ahente ay hindi lamang sa modelo. Nasa kapaligiran ang paghahanda natin para sa kanya: kung ano ang nakikita niya, kung ano ang naaalala niya, kung ano ang maaari niyang gawin, kung ano ang ipinagbabawal niyang gawin, kung aling mga mapagkukunan ang kinikilala niyang totoo.
140 
141Ang bahagi ng tao ay ito: ang paghahanda ng konteksto ay isang paraan ng pangangalaga. Sinasabi nito sa ahente, ngunit pati na rin sa koponan, "Ayokong manghula ka, gusto kong makuha mo ang kailangan mo."
142 
143Mas kaunting magic. Mas malinis na kwarto. Kailangan ito ng mga ahente gaya natin.
144 
145## Mga Pinagmulan
146 
147- [LangChain Blog: Ang pagtaas ng context engineering](https://blog.langchain.com/the-rise-of-context-engineering/)
148- [Simon Willison: Context engineering](https://simonwillison.net/2025/Jun/27/context-engineering/)
149- [Model Context Protocol: Introduction](https://modelcontextprotocol.io/introduction)
150- [Anthropic: Mga epektibong ahente sa pagbuo](https://www.anthropic.com/engineering/building-effective-agents)
151- [OpenAI: Mga bagong tool para sa mga ahente ng gusali](https://openai.com/index/new-tools-for-building-agents/)
152