O Que É Engenharia de Contexto?

Atualizado em julho de 2026

Engenharia de contexto é a disciplina de reunir tudo o que um large language model vê no momento da inferência, o system prompt, documentos recuperados, saídas de ferramentas, histórico da conversa e memória de trabalho, para que ele tenha exatamente a informação de que precisa para concluir bem uma tarefa. É a prática que substituiu o prompt engineering como a habilidade central na construção de IA ao longo de 2025 e 2026.

Para líderes empresariais, engenharia de contexto é a diferença entre um sistema de IA que chuta e um que sabe. Um agente de suporte que traz o histórico de pedidos do cliente, a política de reembolso e tickets anteriores para o seu contexto de trabalho antes de responder vai acertar a resposta com mais frequência do que um que roda apenas com um prompt bem elaborado. O prompt é uma entrada entre várias; engenharia de contexto é o trabalho de gerenciar todas elas juntas, em cada chamada, não apenas na primeira.

Por Que a Engenharia de Contexto Substituiu o Prompt Engineering

O prompt engineering tratava obter uma boa saída de IA como um problema de formulação: encontre a frase mágica, a persona certa, a estrutura de instrução perfeita, e o modelo funcionaria bem. Essa visão fazia sentido quando um único prompt bem elaborado era a maior parte do que um usuário controlava. Ela deixou de fazer sentido quando as equipes começaram a construir agentes de IA e sistemas de várias etapas, nos quais o prompt é uma parte pequena e fixa de um conjunto de informações muito maior e em constante mudança, a partir do qual o modelo precisa trabalhar.

O termo "engenharia de contexto" foi popularizado em meados de 2025 por duas vozes proeminentes em IA. Andrej Karpathy a chamou de "a arte e a ciência delicadas de preencher a janela de contexto com exatamente a informação certa para o próximo passo", e argumentou que "engenharia de contexto" descreve muito melhor o que as equipes de IA em produção realmente fazem do que "prompt engineering" jamais descreveu. Na mesma época, o CEO da Shopify, Tobi Lutke, a descreveu publicamente como "a arte de fornecer todo o contexto para que a tarefa seja plausivelmente resolvível pelo LLM."

A equipe de engenharia da Anthropic descreveu essa mudança em sua própria orientação para a construção de agentes de IA: engenharia de contexto é "o conjunto de estratégias para selecionar e manter o conjunto ideal de tokens" durante a inferência, abrangendo juntos o system prompt, as ferramentas, os exemplos, o histórico de mensagens e os dados recuperados, não o prompt isoladamente. O insight subjacente que impulsiona essa mudança: os modelos de fronteira já são fortes o suficiente para a maioria das tarefas empresariais. A diferença entre um sistema que funciona e um que não funciona costuma se resumir a qual informação o modelo recebeu, não a quais palavras foram usadas para pedi-la.

Componentes-Chave da Engenharia de Contexto

Todo sistema construído com engenharia de contexto é montado a partir do mesmo punhado de partes, reunidas e remontadas em cada chamada ao modelo.

• System prompt: As instruções permanentes que definem o papel, o tom e os limites da IA. É isso que a maioria das pessoas quer dizer com "prompt engineering", agora apenas uma entrada entre várias.
• Memória: Memória de trabalho de curto prazo para a tarefa atual, além de memória de longo prazo para fatos, preferências e resultados que devem persistir entre sessões. Veja memória de IA para entender como isso difere dos dados de treinamento de um modelo.
• Retrieval-augmented generation (RAG): O mecanismo para trazer documentos, registros ou entradas de base de conhecimento relevantes para o contexto no momento em que são necessários, em vez de esperar que o modelo já os conheça. Coberto em profundidade em Retrieval-Augmented Generation.
• Ferramentas: As funções, APIs e sistemas que o modelo pode chamar e, tão importante quanto isso, as saídas que essas chamadas retornam, que então se tornam parte do contexto para a próxima etapa. Veja uso de ferramentas.
• Exemplos: Um pequeno número de exemplos bem escolhidos e representativos (demonstrações few-shot) que mostram ao modelo como é uma boa saída, selecionados pela relevância em vez de cobertura exaustiva.
• Estado: O histórico contínuo da conversa, as ações anteriores tomadas e os resultados intermediários que permitem que um agente de várias etapas se mantenha coerente do primeiro ao último passo, em vez de tratar cada turno como um novo começo.

Errar em qualquer uma dessas partes (uma lista de ferramentas inchada, uma memória desatualizada, um documento recuperado irrelevante) degrada a qualidade da saída tanto quanto um prompt mal formulado degradava antes.

Como a Engenharia de Contexto Funciona em Sistemas Agênticos

Em um sistema de IA agêntica, o contexto não é montado uma vez e deixado de lado. Ele é reconstruído ou atualizado a cada etapa do loop: o sistema reúne o que sabe no momento (system prompt, memória, dados recuperados), o modelo raciocina sobre esse contexto e decide uma ação, o uso de ferramentas executa essa ação em um sistema real, e o resultado é incorporado de volta ao contexto para a próxima decisão. Fluxos de trabalho agênticos de várias etapas podem rodar esse loop dezenas ou centenas de vezes antes que uma tarefa termine, o que significa que pequenos erros de contexto no início podem se acumular até o final.

A equipe de engenharia da LangChain organizou o trabalho prático de engenharia de contexto em quatro estratégias recorrentes: write (dar ao agente um lugar para salvar informações fora do contexto principal, como rascunhos ou anotações), select (trazer apenas o que é relevante para a etapa atual, não todo documento disponível), compress (resumir ou reduzir o contexto quando ele cresce demais) e isolate (dividir uma tarefa complexa entre vários agentes ou subcontextos para que nenhum contexto único fique sobrecarregado). A maior parte do trabalho de engenharia de contexto em produção é alguma combinação desses quatro movimentos, repetidos continuamente enquanto a tarefa roda. Orquestração de IA é a camada que normalmente gerencia isso sobre um único agente ou em vários.

Gerenciamento da Janela de Contexto e Modos de Falha

Todo modelo tem uma janela de contexto finita, o número máximo de tokens que consegue processar de uma vez. Mas a engenharia de contexto existe porque o transbordamento da janela não é o principal problema na prática. Uma pesquisa da Chroma testou 18 modelos de fronteira, incluindo GPT-4.1, Claude Opus 4, Gemini 2.5 e Qwen3, em entradas variando de 25 a 10.000 palavras, e constatou que a precisão em tarefas simples de recuperação e memorização se degradava de forma constante à medida que o comprimento da entrada crescia, bem antes de qualquer modelo atingir seu limite declarado de tokens. Esse declínio gradual tem um nome: degradação de contexto (context rot), a tendência da capacidade de um modelo usar informações com precisão cair conforme a quantidade de contexto que ele carrega aumenta, mesmo em tarefas que ele resolveria facilmente com uma entrada mais curta.

A degradação de contexto não é uma única falha, é um conjunto de falhas relacionadas. O escritor Drew Breunig catalogou quatro padrões específicos que explicam a maior parte do que os profissionais encontram:

• Contaminação de contexto (context poisoning): Uma alucinação ou erro é escrito no contexto (um fato errado em uma anotação de memória, uma crença falsa em um objetivo rastreado) e depois é referenciado repetidamente, agravando o erro em vez de corrigi-lo.
• Distração de contexto (context distraction): O modelo se apoia demais no histórico acumulado e começa a repetir ações passadas em vez de raciocinar de forma nova sobre o que fazer a seguir.
• Confusão de contexto (context confusion): Informações irrelevantes presentes no contexto acabam sendo puxadas para a resposta, reduzindo a qualidade da resposta mesmo quando a informação correta também estava presente.
• Conflito de contexto (context clash): Informações adicionadas em pontos diferentes de uma sessão longa começam a se contradizer, e o modelo não tem uma forma confiável de saber qual versão é a atual.

Um exemplo real e bem documentado de contaminação de contexto: o próprio projeto Gemini Plays Pokemon do Google DeepMind, um experimento transmitido ao vivo em que o Gemini 2.5 Pro jogava Pokemon Blue de forma autônoma. Em um determinado momento, o agente alucinou que precisava encontrar um item chamado "TEA" (que não existe nessa versão do jogo), escreveu esse objetivo falso em seu contexto persistente e passou horas perseguindo um objetivo impossível até que a equipe conseguisse destravá-lo. A correção em sistemas de produção não é uma janela de contexto maior, é gerenciar ativamente o que permanece no contexto e por quanto tempo.

Engenharia de Contexto vs. Prompt Engineering

O prompt engineering não desapareceu, foi absorvido. Escrever um system prompt claro ainda é uma parte do trabalho; só não é mais o trabalho todo.

Casos de Uso Reais da Engenharia de Contexto

Agentes de suporte ao cliente: Antes de responder, o sistema recupera o status da conta do cliente, o histórico de pedidos e o documento de política específico relevante para a pergunta, e então mantém esse contexto disponível pelo restante da conversa em vez de buscá-lo novamente a cada turno.

Agentes de codificação: Ferramentas como o Claude Code e assistentes de codificação similares gerenciam o contexto do repositório diretamente, decidindo quais arquivos, edições anteriores e resultados de teste permanecem no contexto de trabalho do modelo à medida que uma tarefa avança por muitas etapas, já que incluir a base de código inteira de uma vez estouraria qualquer janela e provocaria degradação de contexto.

Agentes de vendas e RevOps: Um agente que qualifica ou faz follow-up de um lead traz registros de CRM relevantes, interações passadas e detalhes da conta por meio de RAG, em vez de depender do conhecimento geral do modelo sobre a empresa.

Agentes autônomos de execução longa: Agentes de uso de navegador e de pesquisa que operam ao longo de muitas etapas ou sessões dependem de um gerenciamento deliberado de memória, salvando o que importa em armazenamento persistente e podando o que não importa, para que o contexto de trabalho permaneça focado em vez de acumular tudo o que o agente já viu.

Dados Importantes

• A Anthropic define engenharia de contexto como "o conjunto de estratégias para selecionar e manter o conjunto ideal de tokens" disponíveis para um modelo durante a inferência, abrangendo o system prompt, as ferramentas, os exemplos e o histórico de mensagens, não o prompt isoladamente. Anthropic Engineering
• A publicação de Andrej Karpathy de junho de 2025 descrevendo engenharia de contexto como "a arte e a ciência delicadas de preencher a janela de contexto com exatamente a informação certa para o próximo passo" é amplamente creditada por popularizar o termo. X / Karpathy
• A pesquisa Context Rot da Chroma testou 18 modelos de fronteira, incluindo GPT-4.1, Claude Opus 4, Gemini 2.5 e Qwen3, em comprimentos de entrada de 25 a 10.000 palavras, e constatou que a precisão se degradava de forma consistente à medida que as entradas cresciam, bem antes de atingir o limite de contexto declarado de qualquer modelo. Chroma Research
• A pesquisa State of AI Agents 2026 da LangChain constatou que 57% das equipes respondentes agora têm agentes rodando em produção, com a qualidade da saída, incluindo o gerenciamento de contexto em escala, citada por 32% como a principal barreira para um desempenho confiável em produção. LangChain
• A equipe de engenharia da LangChain estrutura o trabalho prático de engenharia de contexto em torno de quatro estratégias recorrentes: write, select, compress e isolate. LangChain Blog
• O projeto Gemini Plays Pokemon do Google DeepMind produziu um caso documentado de contaminação de contexto: um objetivo alucinado dentro do jogo entrou no contexto persistente do agente e descarrilou sua jogada por horas até que a equipe conseguisse corrigir. TechCrunch
• O escritor Drew Breunig catalogou quatro modos de falha de contexto distintos, contaminação, distração, confusão e conflito, que juntos explicam a maior parte do que os profissionais chamam de degradação de contexto. dbreunig.com

Conceitos Relacionados de IA

• O Que É IA Agêntica? - Os sistemas autônomos que dependem de um contexto bem projetado para funcionar de forma confiável
• Janela de Contexto - O limite de tokens dentro do qual a engenharia de contexto precisa trabalhar
• Prompt Engineering - A disciplina mais restrita que a engenharia de contexto absorveu e expandiu
• Large Language Models - Os sistemas que consomem o contexto montado para eles
• Retrieval-Augmented Generation - A principal técnica para trazer conhecimento externo para o contexto
• Memória de IA - Memória de curto e longo prazo como componente da engenharia de contexto
• Uso de Ferramentas - Como as saídas de ferramentas se tornam parte do contexto contínuo de um agente
• Model Context Protocol - O padrão aberto para alimentar ferramentas e dados externos no contexto de um modelo de forma consistente
• Fluxos de Trabalho Agênticos - Processos de várias etapas em que o contexto precisa se manter coerente ao longo de muitos passos
• Orquestração de IA - A camada de coordenação que gerencia o contexto entre vários agentes ou etapas

Recursos Externos

• Anthropic: Engenharia de Contexto Eficaz para Agentes de IA - A orientação da própria Anthropic sobre como selecionar contexto para a confiabilidade de agentes
• LangChain: Engenharia de Contexto para Agentes - O framework write, select, compress, isolate
• LangChain: State of AI Agents 2026 - Dados de pesquisa sobre a adoção de agentes em produção e as barreiras de qualidade
• Chroma Research: Context Rot - Dados de benchmark sobre a degradação de desempenho em 18 modelos de fronteira
• Drew Breunig: Como Contextos Longos Falham - Os quatro modos de falha de contexto nomeados
• TechCrunch: O Gemini do Google Entrou em Pânico Jogando Pokemon - Um caso real e documentado de contaminação de contexto

Parte da Coleção de Termos de IA. Última atualização: 2026-07-16