A habilidade de IA que vale aprender agora: `context engineering`

Rola por aí uma história tranquilizadora de que "prompt engineering" seria a nova carreira do momento. Como EM que contrata para essas vagas e usa as ferramentas todo dia, vou ser direto: isso nunca foi bem uma profissão — e os modelos ficaram bons o suficiente pra fazer o título sumir. O que pegou de verdade, e o que vale o seu tempo, é context engineering.

Prompt engineering é o que você fala pro modelo. Context engineering é tudo que o modelo consegue enxergar na hora de responder.

Parece uma diferença pequena. Mas muda como você trabalha.

Por que o cargo morreu e a habilidade não

As manchetes do "prompt engineer de US$ 200 mil" bombaram lá em 2023. Dois anos depois, esse cargo isolado praticamente evaporou — não porque a habilidade deixou de importar, mas porque ela se espalhou por todas as funções e os modelos passaram a fazer as próprias perguntas de esclarecimento. Alfabetização em IA hoje é uma das habilidades que mais crescem na demanda das empresas, e mesmo assim quase ninguém contrata um "prompt engineer" separado. Grave esse padrão pra sua própria carreira: a IA raramente apaga o trabalho, ela apaga a descrição de cargo que embrulhava ele.

Jensen Huang resumiu a conta da carreira sem rodeios: é muito provável que a maioria das pessoas perca o emprego pra alguém que usa IA, não pra IA em si. A distinção dele é a que importa — suas tarefas, e o trabalho que essas tarefas formam juntas, são coisas relacionadas mas não iguais. Context engineering é como você vira a pessoa do lado certo dessa frase.

O que é context engineering na prática

No momento em que você constrói qualquer coisa além de um chat pontual — um agente, um fluxo, um Claude Project — o prompt é só uma fatia mínima do que decide a saída. As alavancas de verdade são as instruções de sistema, as ferramentas que você expõe, os exemplos que mostra, o que recupera e quanto histórico carrega entre os turnos. A Anthropic define assim: curar e manter o conjunto ideal de tokens que o modelo vê durante a inferência. E a meta que ela propõe vale decorar: achar o menor conjunto de tokens de alto sinal que entrega o resultado que você quer. Mais contexto não é melhor; o contexto certo é.

Andrej Karpathy — que popularizou o termo — tem o modelo mental que eu sempre volto: imagine o modelo como um computador e a janela como a RAM dele. É você que carrega essa memória antes de cada rodada, então coloque só o que a tarefa precisa e deixe o resto de fora. Tem até um modo de falha com nome próprio: context rot. A pesquisa que a Anthropic cita mostra que, à medida que o número de tokens sobe, a capacidade do modelo de lembrar com precisão o que está na janela cai. Entope de tudo e ele fica mensuravelmente pior em achar o que importa.

As seis alavancas que você de fato controla

"Tudo que o modelo vê" é verdade, mas vago demais pra agir. Quebre nas partes que você controla e dá pra rodar a mesma checklist antes de qualquer tarefa séria. São seis.

• Instruções. Quem o modelo está sendo e as regras que ele segue — o cargo dele, os seus "pode" e os seus "não pode".
• Conhecimento. O material real: seus documentos, números e dados de verdade. Não uma descrição deles — as coisas em si.
• Exemplos. Um ou dois exemplos de uma resposta ótima. A orientação da Anthropic é curar poucos exemplos diversos e canônicos em vez de uma lista exaustiva — um bom exemplo vale mais que mil palavras de instrução.
• Histórico e memória. O que levar adiante e o que descartar. Turnos antigos e fora de assunto puxam toda resposta seguinte pra baixo em silêncio; em trabalhos longos, jogue os fatos duráveis num arquivo de memória em vez da janela ativa.
• Ferramentas. O que o modelo consegue alcançar — seus arquivos, a web, sua agenda. Mantenha o conjunto pequeno e cada ferramenta sem ambiguidade; a Anthropic alerta que conjuntos inchados e sobrepostos criam pontos de decisão que o agente resolve tão mal quanto um humano resolveria.
• Formato. Como você quer a resposta de volta — uma tabela, cinco bullets, um doc curto. Diga isso logo de cara, e use delimitadores ou um schema quando a estrutura importa.

Quase toda resposta ruim da IA é só uma dessas seis faltando. Acertar as seis é a diferença entre receber uma resposta e receber um resultado.

O scaffold que eu colo no topo de qualquer coisa importante

Guarde isso numa nota e preencha os espaços. Repare que quase não tem "pergunta" nele — esse é o ponto. Você põe a mesa primeiro, e o pedido fica fácil.

ROLE: You are my [role/expert, e.g. senior backend engineer].
GOAL: I need [the exact outcome, e.g. a migration plan for this service].
CONTEXT (the real material):
  - [paste the actual code, doc, data, or error here]
  - About how I work: [paste your "about-me" file]
  - Who this is for: [audience / teammate / user]
RULES:
  - Do: [what a great answer must include]
  - Don't: [what to avoid — no hype, no invented APIs]
  - If you're missing something you need, ask before you guess.
EXAMPLE OF GREAT (optional, powerful):
  - [paste one example of the output you want]
FORMAT: Give it to me as [a table / 5 bullets / a diff].

As quatro jogadas num prompt de verdade

Veja as alavancas trabalhando num agente de resposta de suporte real. Antes — tudo, por via das dúvidas:

[full 12-page product manual pasted]
[last 40 messages of chat history]
[every reply template we own]
[3 tool descriptions, two of them near-identical]
Answer the customer.

Depois — o mesmo trabalho, curado:

SYSTEM: You answer billing questions. Warm, two sentences max.
RETRIEVED: [only the refund-policy section, pulled by the customer's question]
EXAMPLE: Q: "Charged twice?" → A: "I see the duplicate — refunding the extra
now, it lands in 3-5 days. Sorry for the scare."
TOOLS: lookup_charge (find a charge by email) · issue_refund (reverse one charge)
Customer says: [message]

Cortou o manual e o histórico velho, recuperou uma seção sob demanda, ensinou com um exemplo e nomeou duas ferramentas impossíveis de confundir. Instruções, conhecimento, exemplos, ferramentas, formato — as seis alavancas, ajustadas de propósito.

Cinco hábitos que separam quem manda bem

• Enxuto ganha de grande. Mais contexto não é melhor. Dê à tarefa exatamente o que ela precisa e pare — context rot é real.
• Mostre, não adjetive. Um exemplo real ensina mais que dez palavras como "profissional" ou "limpo". Cole um exemplo em vez de descrever um.
• A ordem importa. Ponha o contexto mais importante o mais perto possível do pedido em si. Os modelos se apoiam mais no que está bem no começo e bem no fim.
• Mude o contexto, não a pergunta. Quando a resposta vem torta, resista a reperguntar de outro jeito. Adicione a peça que faltava e rode de novo. Esse único hábito é a habilidade.
• Comece do zero com frequência. Quando o chat fica longo e bagunçado, abra um limpo e cole um bloco de contexto enxuto. Uma janela entulhada deixa burro um modelo afiado.

Três exercícios pra esta semana

1. A reconstrução. Pegue uma resposta fraca que a IA te deu hoje. Não repergunte — adicione uma peça de contexto que faltava e rode de novo. Repare exatamente no que consertou.
2. O arquivo de ouro. Escreva seu arquivo "sobre mim": seu cargo, metas, stack, tom de voz e regras. Use por uma semana e refine toda vez que se pegar re-explicando algo.
3. A poda. Pegue um chat longo e bagunçado e corte o contexto pela metade. Se a resposta continuar de pé, você acabou de descobrir o que o modelo nunca precisou.

Pra ir mais fundo

• Anthropic — Effective Context Engineering for AI Agents. O texto definitivo, do time que constrói o Claude. A explicação mais clara de cada parte do contexto e de como mantê-lo enxuto. Comece por aqui.
• A visão do Andrej Karpathy. O engenheiro que popularizou o termo, e a analogia da memória de trabalho que faz a ficha cair.
• The Prompting Guide — Context Engineering. Um passo a passo gratuito e direto, parte por parte com exemplos. Bom pra praticar.
• Anthropic Cookbook — Context Engineering com ferramentas. Mão na massa, pra quando você começar a construir agentes e precisar gerenciar ferramentas, memória e contexto longo. Um degrau acima depois que o básico assenta.

Faça uma coisa hoje

Leia o texto da Anthropic e rode o exercício nº 1 numa tarefa real do seu trabalho. Esse ciclo — aprender um pouco e aplicar na hora no trabalho de verdade — é como a habilidade gruda. Só ler não resolve; repetição resolve. Faça algumas vezes e você vai ter a habilidade que o mercado está de fato pagando.

Fontes

• Anthropic — Effective context engineering for AI agents
• Fortune — the $200K prompt engineering role is now obsolete
• Fortune — Jensen Huang on AI replacing tasks, not jobs
• Andrej Karpathy — context as the model's working memory
• Prompt Engineering Guide — Context Engineering
• Anthropic Cookbook — context engineering with tools