Context Engineering

Wat is Context Engineering?

Context engineering is de discipline van controleren wat een AI-model op inferentiemoment allemaal ziet: welke bestanden, documenten, gespreksgeschiedenis, instructies, en toolresultaten het contextvenster binnenkomen, in welke vorm, en in welke volgorde. Waar prompt engineering één instructie vormt, beheert context engineering het hele gezichtsveld van het model over een langlopende taak.

De belangrijkste punten

• Modeloutputkwaliteit is grotendeels een functie van inputkwaliteit. De meerderheid van agentmislukkingen in de praktijk zijn contextmislukkingen: de juiste informatie ontbrak, was verstopt, of verouderd.
• Het contextvenster is een budget, en elk token concurreert. De klus is curatie onder een beperking, beslissen wat een plek verdient en wat samengevat of weggegooid wordt.
• Meer context is een kost, geen gratis upgrade. Irrelevant materiaal verlaagt nauwkeurigheid en aandacht en verhoogt uitgave, een faalpatroon bekend als context rot.
• In agentic systemen zit hier de hefboomwerking, en daarom zijn instructiebestanden, retrievalontwerp, compactie, en subagentgrenzen de dragende beslissingen.

Hoe het werkt

Alles wat een model over je taak weet, komt binnen via één kanaal: de tokens in zijn context op inferentiemoment. Het model heeft trainingskennis, maar niets over je codebase, je ticket, of het laatste uur werk tenzij die tokens aanwezig zijn. Context engineering is het ontwerp van dat kanaal, en het ontleedt in drie terugkerende problemen. Selectie: van alles beschikbaar, wat heeft deze stap van de taak daadwerkelijk nodig? Compressie: voor materiaal dat ertoe doet maar groot is, wat overleeft, volledige tekst, een samenvatting, of gewoon een verwijzing die het model later kan volgen? Ordening en framing: waar zit elk stuk, en hoe is het gelabeld zodat instructies, referentiemateriaal, en niet-vertrouwde data onderscheidbaar blijven?

In agentic workflows verschijnen deze beslissingen als concrete machinerie. Een AI-coding-agent ontvangt niet de repository; hij ontvangt zoekresultaten, de bestanden die hij koos te openen, en de output van commando's die hij draaide, wat betekent dat de tools en hun beschrijvingen zelf context-engineering-oppervlakken zijn. Instructiebestanden zoals AGENTS.md injecteren duurzame projectkennis, conventies, commando's, en grenzen bij sessiestart zodat het nooit herontdekt hoeft te worden. Retrieval-augmented generation trekt relevante documenten op aanvraag binnen in plaats van resident te zijn in elk verzoek. Bij lange taken vat compactie oudere geschiedenis samen om budget terug te winnen, en agentgeheugen laat overleven wat de sessie zou moeten overleven. Wanneer één venster een probleem niet kan bevatten, splitst orchestratie het: subagents werken in verse vensters en geven conclusies terug in plaats van transcripten, wat context engineering toegepast op architectuurniveau is.

De rode draad is dat dit allemaal engineering is in de gewone zin. Er zijn budgetten, afwegingen, faalpatronen, en meetbare uitkomsten, en teams die de context als een ontworpen artefact behandelen, krijgen categorisch beter agentgedrag dan teams die alles aan elkaar plakken en hopen. De inzet is kwantificeerbaar: in Anthropics BrowseComp-evaluatie van 2025 van zijn multi-agent-onderzoekssysteem verklaarde tokengebruik op zichzelf 80% van de prestatievariatie [1].

Voorbeeld

Een agent blijft foute fixes produceren in een grote monorepo: aannemelijke patches die verwijzen naar modules die niet bestaan, conventies van de verkeerde service. Het instinct van het team is het model de schuld te geven, maar het transcript toont het echte probleem, een context volgestopt met een enorm generiek instructiebestand, drie verouderde architectuurdocumenten, en volledige-bestandsdumps van eerdere stappen, met de daadwerkelijk relevante service-conventies nergens aanwezig. Ze herbouwen de contextpipeline: een bijgesneden root-instructiebestand, per-service-conventiebestanden alleen geladen wanneer de agent die service aanraakt, retrieval die de tien meest relevante codechunks teruggeeft in plaats van hele bestanden, en compactie na elke subtaak. Zelfde model, zelfde prompts, en het gehallucineerde-module-probleem verdwijnt grotendeels. Er veranderde niets aan het model; wel aan zijn gezichtsveld.

Veelvoorkomende misvattingen

De intuïtie die het hardst faalt is "bij twijfel, voeg het toe." Grote contextvensters maken alles dumpen mogelijk, dus leveren teams agents uit wier elk verzoek het volledige instructiebestand, een hele wiki-export, en duizenden regels open bestanden draagt. Het resultaat is slechter, niet veiliger. Aandacht over zeer lange inputs is imperfect, dus kritieke details gaan verloren tussen de vulling; bijna-relevant maar fout materiaal, een verouderd document, een vergelijkbare functie van een andere service, trekt het model actief richting foute antwoorden; en elk verspild token wordt betaald bij elke aanroep. Chroma's technische rapport van 2025 over context rot evalueerde 18 modellen, waaronder GPT-4.1, Claude 4, en Gemini 2.5, en vond dat ze allemaal minder betrouwbaar worden naarmate inputlengte groeit, zelfs bij simpele taken [2]. Relevantie verslaat volume. De discipline heet engineering precies omdat het keuzes maken betekent, en weigeren te kiezen is zelf een keuze met de slechtste eigenschappen.

FAQ

Vervangt context engineering prompt engineering? Het absorbeerde het. Prompt engineering overleeft als het vakmanschap van één component goed schrijven, de instructie, de toolbeschrijving, het template. Context engineering is de systeemniveau-discipline waarbinnen die componenten leven, en in agentic werk domineren de systeemniveau-beslissingen de uitkomsten.

Waarom ontstond context engineering als eigen discipline? Omdat agents het inputprobleem dynamisch maakten. Een chatprompt wordt één keer samengesteld door een mens; de context van een agent wordt bij elke stap opnieuw samengesteld uit toolresultaten, bestanden, en geschiedenis, over taken die uren lopen. De volumes verschillen ook: Anthropic vond in 2025 dat agents doorgaans ongeveer 4x meer tokens gebruiken dan chatinteracties, en multi-agentsystemen ongeveer 15x meer [3]. Die stroom goed beheren bleek te zijn waar het meeste van de moeilijkheid en het meeste van de hefboomwerking in agentbouw daadwerkelijk zit.

Wat zijn de basistechnieken om mee te beginnen? Houd instructiebestanden kort en waar, haal smal op in plaats van bestanden te dumpen, vat verouderde geschiedenis samen of verwijder ze bij lange taken, isoleer grote subproblemen in subagents met verse vensters, en lees regelmatig de daadwerkelijk samengestelde context van je agent. Dat laatste is de hoogst-waardevolle gewoonte: de meeste contextmislukkingen zijn evident zodra een mens eindelijk kijkt.

Bronnen

1. Anthropic Engineering. "Tokengebruik verklaarde 80% van de prestatievariatie in de BrowseComp-evaluatie van Anthropics multi-agent-onderzoekssysteem." https://www.anthropic.com/engineering/multi-agent-research-system. Geraadpleegd augustus 2026.
2. Chroma Research. "Context-rot-rapport: 18 LLM's worden steeds onbetrouwbaarder naarmate inputcontextlengte groeit." https://www.trychroma.com/research/context-rot. Geraadpleegd augustus 2026.
3. Anthropic Engineering. "Agents gebruiken ongeveer 4x meer tokens dan chatinteracties; multi-agentsystemen ongeveer 15x meer." https://www.anthropic.com/engineering/multi-agent-research-system. Geraadpleegd augustus 2026.