Context Engineering — A Arte de Arquitetar o que a IA Recebe

Imagine a seguinte cena. Você passou horas refinando um prompt perfeito — persona definida, contexto detalhado, tarefa clara, formato especificado. Envia. E a resposta é... mediana. Não porque o prompt era ruim. Porque o contexto ao redor do prompt estava poluído: histórico de conversa irrelevante ocupando espaço, documentos desnecessários competindo por atenção, instruções contraditórias de turnos anteriores.

Esse é o problema que o Context Engineering resolve. Se Prompt Engineering é a arte de fazer a pergunta certa, Context Engineering é a arte de preparar o cenário inteiro antes de fazer a pergunta.

Este capítulo é o ponto de chegada do ebook — onde todas as técnicas anteriores convergem numa visão integrada de como usar IA de forma profissional.

O termo Context Engineering emergiu em 2025 quando a Anthropic definiu: "o conjunto de estratégias para curar e manter o conjunto ótimo de tokens durante a inferência do LLM".

O insight fundamental: em sistemas de IA de alto desempenho, apenas ~20% dos tokens são o prompt estático (sua instrução). Os outros ~80% são contexto dinâmico — histórico de conversa, documentos carregados, resultados de ferramentas, memória persistente.

Prompt Engineering foca nos 20%. Context Engineering foca nos 100%.

Analogia médica: Prompt Engineering é escolher a pergunta certa para fazer ao paciente. Context Engineering é preparar toda a consulta — ter o prontuário organizado, os exames disponíveis, o histórico acessível, o ambiente adequado. A qualidade da resposta do paciente depende tanto da pergunta quanto do contexto em que ela é feita.

A janela de contexto é finita — e é o recurso mais precioso (e mais mal gerenciado) da interação com IA. Tudo que o modelo "vê" numa interação precisa caber nessa janela: seu prompt, os documentos enviados, o histórico da conversa e a resposta em construção.

Modelo	Janela de Contexto	Equivalente aproximado
Claude Opus 4.6	200k tokens (expandível a 1M)	~300–1.500 páginas
GPT-5.2	400k tokens	~600 páginas
Gemini 3 Pro	1M–2M tokens	~1.500–3.000 páginas

Parece muito — mas na prática, o contexto efetivo (onde o modelo realmente mantém atenção de qualidade) é apenas 50-65% do anunciado (RULER, NVIDIA 2024). E cada conversa longa, cada documento carregado, cada turno de histórico consome esse recurso silenciosamente.

A regra é simples: trate a janela de contexto como memória RAM — escassa e preciosa. Não desperdiçe com informação irrelevante.

Erro 1: Contexto Poluído

Conversas longas com múltiplos assuntos misturados. Histórico irrelevante que compete por atenção com a instrução atual. Solução: novo chat para cada assunto.

Erro 2: Documentos Demais

Carregar 30 documentos quando apenas 3 são relevantes. O modelo precisa filtrar — e pode priorizar o documento errado. Solução: curadoria antes do upload.

Erro 3: Instruções Contraditórias

System Prompt dizendo "seja conciso", User Prompt pedindo "explique em detalhes". Instruções de turnos anteriores conflitando com as atuais. Solução: consistência deliberada.

Erro 4: Informação Crítica no Meio

O efeito Lost in the Middle (Liu et al., 2023): informações no meio do contexto recebem menos atenção que as do início e do final. Solução: posicione informações críticas no início ou no final do contexto.

Estratégia 1: Um chat por assunto

Não misture temas na mesma conversa. Cada chat deve ter um propósito único e claro.

Estratégia 2: Resumos periódicos

Em conversas longas, peça ao modelo que sintetize os pontos principais a cada 5-10 turnos antes de continuar.

Estratégia 3: Curadoria de documentos

Selecione apenas os documentos relevantes para a tarefa atual. Menos é mais quando se trata de contexto.

Estratégia 4: Posicionamento estratégico

Informações críticas no início (System Prompt) e no final (instrução atual). Nunca enterre instruções importantes no meio de um contexto longo.

Estratégia 5: Prompt Chaining como gestão de contexto

Cada etapa de uma chain tem um contexto limpo e focado. Em vez de uma conversa longa e poluída, você tem múltiplas interações curtas e direcionadas.

Regra de ouro: Se Prompt Engineering é aprender a fazer a pergunta certa, Context Engineering é aprender a preparar o cenário inteiro antes de fazer a pergunta.

Este capítulo é o ponto de convergência de todo o ebook. Cada técnica que você aprendeu é, na verdade, uma forma de gerenciar contexto:

• PCTF (Cap 2) → Estrutura o contexto da instrução
• Tags XML (Cap 2) → Organiza diferentes partes do contexto
• Few-Shot (Cap 3) → Adiciona contexto de exemplos
• CoT (Cap 4) → Expande o contexto com raciocínio explícito
• Step-Back / Generated Knowledge (Cap 5) → Enriquece o contexto com conhecimento de fundo
• Prompt Chaining (Cap 6) → Gerencia o contexto em etapas
• Auto-Refinamento (Cap 7) → Melhora a qualidade do contexto de saída
• RAG (Cap 8) → Injeta contexto externo relevante
• MCP (Cap 8) → Conecta a contextos dinâmicos e ferramentas

Context Engineering é a visão unificada de todas essas técnicas. Não é uma técnica nova — é a compreensão de que toda interação com IA é, fundamentalmente, um problema de gerenciamento de contexto.

O profissional de IA do futuro não é aquele que escreve os melhores prompts. É aquele que projeta os melhores sistemas de contexto — onde a informação certa chega ao modelo certo, no formato certo, no momento certo.

Questão 1

Explique a diferença entre Prompt Engineering e Context Engineering com uma analogia médica.

Ver Gabarito

Prompt Engineering é escolher a pergunta certa para o paciente. Context Engineering é preparar toda a consulta — prontuário organizado, exames disponíveis, histórico acessível, ambiente adequado. A qualidade da resposta depende tanto da pergunta quanto do contexto em que é feita.

Questão 2 — Verdadeiro ou Falso

1. O contexto efetivo de um LLM é 100% da janela de contexto anunciada. Falso — É apenas 50-65% (RULER, NVIDIA 2024).
2. O efeito "Lost in the Middle" significa que informações no centro do contexto recebem menos atenção. Verdadeiro.
3. Context Engineering é uma técnica separada que substitui Prompt Engineering. Falso — É uma visão unificada que integra todas as técnicas de prompt.
4. Carregar mais documentos sempre melhora a qualidade das respostas. Falso — Documentos irrelevantes poluem o contexto.

Questão 3

Liste os 4 erros de contexto e proponha uma solução prática para cada um.

Ver Gabarito

(1) Contexto poluído → novo chat por assunto. (2) Documentos demais → curadoria antes do upload. (3) Instruções contraditórias → consistência deliberada entre System e User Prompt. (4) Informação crítica no meio → posicionar no início ou final do contexto.

Questão 4

Como cada técnica do ebook se relaciona com gerenciamento de contexto? Cite pelo menos 4 técnicas e explique.

Ver Gabarito

PCTF estrutura o contexto da instrução. Tags XML organizam partes do contexto. Few-Shot adiciona contexto de exemplos. CoT expande com raciocínio explícito. Step-Back enriquece com conhecimento de fundo. Prompt Chaining gerencia em etapas. RAG injeta contexto externo. Todas são, fundamentalmente, formas de gerenciar o que chega ao modelo.