Aller au contenu
Module
IA

Context engineering : définition pour les PM

Le context engineering (ingénierie du contexte) consiste à concevoir l'ensemble des informations qu'un modèle reçoit à chaque appel : consignes, historique, documents récupérés, résultats d'outils, mémoire. Il élargit le prompt engineering, centré sur la formulation d'une consigne, à la question de ce qui entre dans la fenêtre de contexte et de ce qui en sort. Le terme s'est répandu en 2025 avec la montée des agents, qui accumulent beaucoup d'informations au fil d'une tâche.

Définition rédigée par Alex Dionisio, Senior Product Manager. Mis à jour le 13 novembre 2026.

Pourquoi c’est important pour un PM

La qualité d'une réponse dépend d'abord de ce que le modèle voit. Un assistant qui reçoit trop de texte se disperse et coûte cher ; un assistant privé d'une information clé invente. Les choix de contexte sont souvent des choix produit : quelles données de l'utilisateur transmettre, combien d'historique garder, quoi résumer, quelles sources prioriser. Le PM a donc un avis à donner, pas seulement l'équipe technique.

Exemple

Un assistant de support reçoit au départ tout l'historique du client et la documentation entière. Les réponses sont lentes et parfois hors sujet. L'équipe change d'approche : un résumé du compte, les trois derniers échanges, les articles d'aide les plus proches de la question et les règles de remboursement. Les réponses deviennent plus précises, et chaque appel consomme beaucoup moins de tokens.

En quoi le context engineering diffère-t-il du prompt engineering ?

Dans un article de son équipe d'ingénierie publié en septembre 2025, Anthropic présente le context engineering comme le prolongement naturel du prompt engineering. Le second porte sur la rédaction et l'organisation des consignes, surtout le prompt système. Le premier couvre tout ce qui occupe la fenêtre à chaque appel, y compris ce qui ne vient pas du prompt : définitions d'outils, données externes, historique des messages. Rédiger un prompt est une tâche ponctuelle ; choisir le contexte se refait à chaque tour, car un agent qui travaille en boucle produit sans cesse de nouvelles informations.

Pourquoi ne pas tout envoyer ? Parce qu'un modèle retrouve moins bien une information noyée dans un long contexte : la documentation de Claude nomme cette perte de fiabilité context rot. Anthropic compare l'attention du modèle à un budget, que chaque token consomme un peu. D'où sa règle de conduite : transmettre aussi peu que possible, mais uniquement des éléments réellement utiles à la tâche.

Que mettre dans le contexte d'un agent, et comment choisir ?

Avec l'API de Claude, chaque élément envoyé occupe de la place : prompt système, messages (résultats d'outils, images et documents compris), définitions d'outils, puis la réponse produite, raisonnement compris. Le prompt système doit viser la bonne hauteur : ni règles rigides qui tentent de prévoir chaque cas, ni consignes si vagues qu'elles supposent un contexte partagé inexistant. Les outils gagnent à être peu nombreux et sans recouvrement : si un humain hésite sur celui à utiliser, l'agent hésitera aussi. Pour les exemples, quelques cas variés et représentatifs valent mieux qu'une longue liste de cas limites.

Reste le moment du chargement. On peut récupérer les informations avant l'appel, avec un RAG par exemple, ou laisser l'agent les chercher quand il en a besoin, à partir de références légères comme des chemins de fichiers. La seconde voie économise la fenêtre mais prend plus de temps. Claude Code combine les deux : ses fichiers CLAUDE.md sont chargés d'emblée, le reste est ouvert au fil du travail.

Comment gérer un contexte qui grossit, et à quel prix ?

Pour les tâches longues, Anthropic décrit trois techniques. La compaction résume une conversation proche de la limite pour repartir de ce résumé ; l'API de Claude la propose côté serveur, et l'effacement des anciens résultats d'outils en est une forme légère. La prise de notes structurée fait écrire à l'agent des notes conservées hors de la fenêtre, qu'il relit ensuite. Les sous-agents traitent une tâche ciblée dans une fenêtre vierge et ne renvoient qu'une synthèse.

Chaque choix se paie. Plus de contexte, c'est plus de tokens facturés à chaque appel et souvent une réponse plus lente ; une compaction trop agressive perd un détail dont l'importance n'apparaît que plus tard. Tranchez ces arbitrages sur un jeu de cas de test, en suivant ensemble la qualité, les tokens consommés et le délai.

Pour ouvrir la discussion avec votre équipe : que reçoit exactement le modèle à chaque appel, sur un exemple réel ? Quelle part de ce contenu sert vraiment la réponse ? Quel comportement est prévu lorsqu'une tâche atteint la limite ? Quelles données personnelles transitent par le contexte sans nécessité ?

Points clés

  • La place dans le contexte est comptée : chaque élément ajouté doit justifier sa présence.
  • Résumer, filtrer et ordonner les informations compte autant que la formulation de la consigne.
  • Pour un agent, le contexte grossit à chaque étape ; il faut prévoir ce qu'on garde, compresse ou oublie.
  • Les fichiers d'instructions persistants, comme un CLAUDE.md, sont une forme simple de context engineering.

Erreurs fréquentes

  • Croire qu'un modèle doté d'une plus grande fenêtre règle tout, et y verser tous les documents disponibles.
  • Transmettre au modèle des données personnelles inutiles pour la demande traitée.
  • Modifier le contexte sans mesurer l'effet sur un jeu de cas de test.

Pour aller plus loin dans Module

Les formations et les leçons qui traitent cette notion :

Guides sur ce thème