O “Effective context engineering for AI agents” não trata de um modelo específico, e não menciona o Claude 5. É um artigo do time de IA aplicada da Anthropic (Prithvi Rajasekaran, Ethan Dixon, Carly Ryan e Jeremy Hadfield), de 29 de setembro de 2025, sobre como organizar o que entra na janela de contexto de um agente.
A definição
Context engineering é a prática de escolher os tokens certos durante a inferência. Vai além do prompt estático, porque o agente muda de estado e o contexto muda junto.
Por que o contexto é finito
O artigo descreve o “context rot”: conforme a janela cresce, o modelo recupera pior o que está nela. Cada token consome parte de um “orçamento de atenção”. Daí a regra central do texto: procurar o menor conjunto possível de tokens de alto sinal.
Recomendações concretas
- System prompt: evitar tanto a lógica específica e frágil quanto a orientação vaga. O artigo chama o ponto certo de “zona Goldilocks”. Organizar com tags XML ou cabeçalhos Markdown.
- Começar mínimo: em modelos capazes, partir de um prompt enxuto e acrescentar instruções conforme as falhas aparecem.
- Ferramentas: econômicas em tokens, com pouca sobreposição de função e sem pontos de decisão ambíguos.
- Recuperação sob demanda: em vez de carregar tudo antes, o agente guarda identificadores leves (caminhos de arquivo, consultas) e carrega o conteúdo por ferramentas durante a execução. O artigo defende uma mistura de recuperação prévia com exploração autônoma.
Para tarefas longas
Três técnicas: compactação (resumir o histórico e reiniciar com o resumo), anotações estruturadas (o agente mantém arquivos de memória externos, como um NOTES.md) e sub-agentes (cada um cuida de uma tarefa focada e devolve um resumo condensado).
O que o artigo não traz
Não há limites de tokens por modelo, comparação de desempenho entre as técnicas, impacto em custo nem exemplos de código passo a passo. Se você quer saber o que muda em um modelo específico, este texto não responde.
