Oxirgi ikki yilda AI sohasida «prompt engineering» atamasi eng ko’p ishlatiladigan tushunchalardan biri bo’ldi. Endi Anthropic muhandislari yangi bosqichga o’tishni taklif qilmoqda — context engineering. Bu shunchaki so’z tanlash emas, balki modelga taqdim etiladigan butun ma’lumot maydonini — tizim ko’rsatmalari, tool’lar, MCP ulanishlari, tashqi ma’lumotlar va suhbat tarixi — boshqarish san’ati.
Prompt engineering’dan farqi nimada
Prompt engineering — bu LLM’ga bitta samarali ko’rsatma yozish. Context engineering esa kengroq masala: model har bir inference bosqichida qanday token’lar to’plami bilan ishlashi kerakligini uzluksiz boshqarish. AI agent bir necha bosqichli tsiklda ishlaganda (ya’ni tool’larni avtonom tarzda qayta-qayta chaqirganda), har bir yangi bosqich oldingi bosqichlarda yig’ilgan ma’lumotni qayta ko’rib chiqishni talab qiladi. Aynan shu doimiy tanlov jarayoni — context engineering deb ataladi.
Anthropic tadqiqotchilari LLM’larning context oynasi kattalashgani sari ma’lumotni aniq eslab qolish qobiliyati pasayishini kuzatishgan — bu hodisa context rot deb nomlanadi. Sabab — transformer arxitekturasida har bir token boshqa barcha token bilan «bog’lanadi», ya’ni n ta token uchun n² ta juftlik hosil bo’ladi. Context uzunligi oshgani sari bu bog’lanishlar «suyultiriladi» va modelning diqqati tarqaladi.
Bu inson miyasidagi ishchi xotira chegarasiga o’xshaydi: har bir yangi token modelning cheklangan «diqqat byudjeti»ni sarflaydi. Shu sababli, samarali context engineering — modelga eng kam, lekin eng yuqori signalli token’lar to’plamini berishga qaratilgan.
Samarali context’ning tarkibiy qismlari
Tizim ko’rsatmalari (system prompts) aniq va sodda tilda, lekin to’g’ri «balandlikda» yozilishi kerak — na haddan tashqari batafsil (har bir holat uchun qattiq qoidalar), na haddan tashqari mavhum. Anthropic bo’limlarga ajratilgan struktura (masalan, XML teglar yoki Markdown sarlavhalar) bilan yozishni tavsiya qiladi.
Tool’lar agentning tashqi muhit bilan aloqa kanali hisoblanadi. Ular token jihatidan tejamkor, bir-biriga o’xshamaydigan va aniq maqsadga ega bo’lishi kerak. Agar odam context engineer qaysi tool qachon ishlatilishini aniq ayta olmasa, AI agent ham buni to’g’ri hal qila olmaydi.
Misollar (few-shot) — modelga kutilayotgan xatti-harakatni ko’rsatishning eng samarali yo’li, lekin bu yerda ham «kam, lekin sifatli» tamoyili ishlaydi: har bir mumkin bo’lgan holatni sanab o’tirish o’rniga, bir nechta tanlangan, tipik misollar yetarli.
Uzoq davom etadigan vazifalar uchun uchta texnika
Ko’p soatlik yoki bir necha bosqichli vazifalarda (masalan, katta kodbazani ko’chirish yoki chuqur tadqiqot) context oynasi hajmi yetarli bo’lmay qoladi. Anthropic bunga uchta yechim taklif qiladi:
- Compaction — suhbat context chegarasiga yaqinlashganda, uning mazmuni siqib xulosalanadi va yangi context shu xulosa asosida qayta boshlanadi. Claude Code’da bu — arxitektura qarorlari va hal qilinmagan xatolarni saqlab qolib, ortiqcha tool natijalarini tashlab yuborish orqali amalga oshiriladi.
- Structured note-taking (agentic memory) — agent context’dan tashqarida saqlanadigan qaydlar yozadi (masalan, NOTES.md fayli) va ularni kerak bo’lganda qayta o’qiydi. Bu, ayniqsa, «Claude Pokémon o’ynayapti» eksperimentida yaqqol namoyon bo’lgan — agent minglab qadamlar davomida strategik qaydlarini saqlab, context qayta tiklangandan keyin ham davom eta oladi.
- Sub-agent arxitekturasi — bitta agent butun loyihani boshqarish o’rniga, ixtisoslashgan sub-agentlar aniq vazifalarni «toza» context bilan bajaradi va faqat qisqa, siqilgan xulosa (odatda 1000–2000 token) qaytaradi. Bu yondashuv murakkab tadqiqot vazifalarida yakka agentga nisbatan sezilarli ustunlik ko’rsatgan.
Anthropic’ning ta’kidlashicha, model qanchalik aqlli bo’lsa, unga shunchalik kam «qat’iy» context engineering kerak bo’ladi — kelajakda agentlar tobora ko’proq avtonomiya bilan ishlaydi. Ammo hozircha context’ni cheklangan va qimmatli resurs sifatida qarash — ishonchli AI agentlar qurishning markaziy tamoyili bo’lib qolmoqda.
