Context engineering is de discipline van het bepalen welke informatie aan een taalmodel wordt doorgegeven, in welke vorm, en op welk moment. Waar prompt engineering zich richt op de formulering van één enkele instructie, regelt context engineering de gehele informatieomgeving waarbinnen het model redeneert.
Waarom het onderscheid belangrijk is
Een taalmodel kan geen informatie ophalen die het niet heeft gekregen. De output is begrensd door wat er op het moment van inferentie in het contextvenster staat. Als dat venster verkeerde, verouderde of te veel ruis bevat, lijdt de respons van het model daaronder, ongeacht hoe zorgvuldig de prompt is geformuleerd.
Context engineering behandelt dat venster als een beheerde resource. De vraag is niet alleen 'wat moet ik vragen?' maar 'wat moet het model weten, en hoe moet die kennis worden gerangschikt?'
Wat context engineering in de praktijk inhoudt
In de praktijk omvat het verschillende gerelateerde beslissingen:
- Selectie. Welke documenten, records, tool-outputs of geheugensporen zijn relevant voor dit verzoek? Retrieval-pipelines, waaronder RAG, zijn één mechanisme om die vraag tijdens runtime te beantwoorden.
- Structuur. Hoe moet informatie worden geordend en opgemaakt? Modellen reageren anders op inhoud afhankelijk van de positie en presentatie ervan. Kritieke beperkingen aan het einde van een lange context plaatsen is een bekende oorzaak van fouten.
- Compressie. Contextvensters zijn eindig en inferentiekosten schalen mee met het aantal tokens. Samenvatting, chunkingstrategie en filtering bepalen hoeveel bruikbare informatie er past.
- Versheid. Statische context wordt verouderd. Systemen die live data, gebruikersstatus of recente tool-resultaten injecteren, vereisen logica om te beheren wat wanneer wordt ververst.
- Rolscheiding. In multi-turn- of agentische systemen is het van belang om systeeminstructies, gebruikersinput, tool-responses en eerdere modeloutput te onderscheiden, omdat dit bepaalt hoe het model elk element interpreteert.
Relatie tot prompt engineering
Prompt engineering blijft relevant: de formulering van een instructie bepaalt nog steeds wat het model doet met de informatie die het ontvangt. Maar prompt engineering dekt misschien 10 tot 20 procent van de beschikbare knoppen. Context engineering dekt de rest. De twee staan niet tegenover elkaar; context engineering is het bredere kader waarbinnen prompt engineering functioneert.
Waar het opduikt in productiesystemen
Context engineering-beslissingen zitten ingebakken in de meeste niet-triviale AI-ondersteunde applicaties:
- Een coding agent die relevante bestanden, testresultaten en foutlogboeken ophaalt voordat hij een model vraagt een oplossing voor te stellen, doet aan context engineering.
- Een klantgerichte assistent die accounthistorie en beleidsdocumenten ophaalt voordat hij een antwoord genereert, doet aan context engineering.
- Een documentverwerkingspipeline die bepaalt welke secties van een contract aan een model worden doorgegeven, en in welke volgorde, doet aan context engineering.
In agentische systemen, waarbij modellen reeksen acties uitvoeren en de context bij elke stap groeit, wordt het engineeringprobleem complexer. Beslissingen over wat te bewaren, wat samen te vatten en wat weg te gooien, bepalen rechtstreeks of de agent coherent blijft gedurende een langdurige taak.
Veelvoorkomende foutpatronen
Slechte context engineering leidt doorgaans tot een van een aantal herkenbare problemen: het model negeert een beperking omdat die begraven lag in irrelevant materiaal; het hallucineert een feit dat opvraagbaar was maar niet opgehaald werd; het spreekt eerdere instructies tegen omdat het contextvenster niet over meerdere beurten werd beheerd; of het presteert goed bij tests en slecht in productie omdat de testcontext schoner was dan echte data.
Deze fouten worden vaak ten onrechte aan het model zelf toegeschreven. In veel gevallen gedraagt het model zich consistent met wat het heeft ontvangen.
Waar we op testen
Oordeelsvermogen op het gebied van context engineering wordt direct getoetst tijdens onze technische beoordeling. In de AI-native assessment worden kandidaten beoordeeld op prompt en context engineering als benoemd criterium: of ze de prompt en taakontwikkeling zo inrichten dat de tool in één of twee slagen bruikbare output produceert. We kijken ook naar spec-gedreven ontwikkeling en verificatie van AI-output, die beide afhangen van dezelfde onderliggende vaardigheid: bepalen welke informatie het model nodig heeft en wanneer. De volledige scorekaart en sessiestructuur staan beschreven bij hoe we vetten.
Korte antwoorden
Is context engineering hetzelfde als RAG?
Nee. RAG is één techniek om context tijdens runtime te vullen door relevante documenten op te halen. Context engineering is de bredere discipline van het bepalen wat er in het contextvenster terechtkomt, in welke vorm en in welke volgorde. RAG is een middel binnen die praktijk.
Moet je context engineering begrijpen om AI-codeertools te gebruiken?
Voor basisgebruik niet. Voor productiesystemen waarbij betrouwbaarheid belangrijk is, wel. Engineers die context engineering begrijpen, nemen betere beslissingen over welke informatie ze aan een model presenteren en waarom output faalt als dat gebeurt.
Hoe verschilt context engineering van fine-tuning?
Fine-tuning wijzigt de gewichten van het model om kennis of gedrag in te bedden. Context engineering levert informatie aan tijdens inferentie zonder het model te wijzigen. De twee zijn complementair, maar context engineering is goedkoper om te itereren en vereist geen hertraining.
