cerebro-vip INEMA.CLUB
início › INEMA.DEV Desenvolvimento

Tópico dedicado a **Context Engineering** (Engenharia de Contexto) —…

INEMA.DEV Desenvolvimento · 2025-07-05 · ~8 min · ver no Telegram ↗

INEMA

Vou te resumir em 3 passos simples o que fazer depois de clonar o repositório e editar os arquivos:

✅ 1. Clone o repositório e edite⌗

git clone https://github.com/coleam00/context-engineering-intro.git cd context-engineering-intro

  • Edite os arquivos principais:

  • claude.md → defina regras globais e boas práticas.

  • initial.md → descreva o que quer que a IA construa.
  • Adicione exemplos na pasta examples/ se necessário.

✅ 2. Gere o plano (PRP)⌗

Se estiver no Claude Code Beta:

claude /generate PRP initial.md

Ele vai:

  • 📦 Ler o contexto.
  • 📦 Criar um plano detalhado (PRP) na pasta PRPs/.

No Claude normal (sem comandos):

  • Peça assim:

Com base em claude.md, initial.md e examples/, gere um plano de implementação detalhado (Product Requirements Prompt - PRP).

✅ 3. Execute o PRP (cria o projeto)⌗

No Claude Code Beta:

c```laude /execute PRP PRPs/nome_do_prp.md

No C**laude normal:**

* Peça assim:

   ``` Agora, usando o PRP gerado, implemente o projeto completo com código, testes e documentação.

🎯 Re**sumo direto:

*** Clone o repo → edite arquivos → gere PRP → execute PRP.

de onde ele se inspirou

github.com ↗

github.com ↗

Na demonstração, ele mostra de forma prática como aplicar context engineering usando o Claude Code (assistente de código da Anthropic). Aqui vai uma explicação simplificada passo a passo:

✅ 1. Preparação do contexto (a fase “afiar o machado”)

  • Ele cria arquivos Markdown com:

  • Regras globais: como a IA deve escrever código, seguir padrões da equipe e escrever testes.

  • Prompt inicial: descreve a funcionalidade que quer construir (o que o projeto deve fazer).
  • Exemplos: código ou projetos semelhantes para ajudar a IA a entender melhor.
  • Documentação: links de APIs, documentação técnica e observações importantes para evitar erros comuns.

✅ 2. Geração do plano (PRP - Product Requirements Prompt)

  • Usa um comando no Claude Code chamado /generate PRP.

  • O assistente:

  • Analisa o prompt inicial e todos os arquivos de contexto.

  • Faz pesquisas automáticas (sobre APIs, boas práticas, etc.).
  • Cria um plano detalhado com arquitetura, tarefas e estrutura de arquivos.
  • Esse plano serve como “roteiro” para a implementação.

✅ 3. Execução do plano (Construção do projeto)

  • Com o plano pronto, ele usa outro comando /execute PRP.

  • O Claude Code:

  • Segue o plano passo a passo.

  • Escreve o código, cria arquivos, testes e documentações automaticamente.
  • Valida o código com testes e corrige problemas.

✅ 4. Resultado final

  • Após 30 minutos, o projeto está:

  • Completamente construído.

  • Com testes passando (usando pytest).
  • Pronto para rodar no terminal.
  • Ele só precisou revisar um pequeno ajuste; o resto foi feito 100% pela IA.

🎯 Resumo da demonstração Ele prova que com context engineering a IA consegue: ✔ Planejar antes de codar. ✔ Entender o projeto no nível de um desenvolvedor humano. ✔ Gerar código confiável e escalável com menos intervenção.

Demonstracao

Resumo sobre a Engenharia de Contexto:

  1. Fim do “vibe coding”
  • O autor afirma que a fase de “vibe coding” (confiar apenas na intuição e na IA para gerar código rapidamente) acabou.
  • Vibe coding funciona para protótipos e hacks rápidos, mas falha quando o projeto precisa ser escalado ou colocado em produção.
  1. Problema central: falta de contexto
  • Muitos desenvolvedores percebem que assistentes de código perdem o contexto ou não têm contexto suficiente.
  • Estatísticas mostram que a maioria não confia no código gerado sem revisão humana.
  1. Introdução à Context Engineering
  • Definida como “a arte de fornecer todo o contexto necessário para que o LLM resolva a tarefa de forma plausível”.
  • Vai além de ajustar prompts: inclui regras, exemplos, documentação, padrões de equipe e conhecimento do projeto.
  1. Preparação é investimento, não perda de tempo
  • Diferente do vibe coding, a context engineering exige um esforço inicial para estruturar o ambiente informacional.
  • Comparação com Abraham Lincoln: “Se eu tivesse seis horas para cortar uma árvore, passaria quatro afiando o machado.”
  • Essa preparação evita erros, retrabalho e acelera as fases posteriores.
  1. Evolução dos aplicativos LLM
  • Os aplicativos estão saindo de prompts únicos e evoluindo para sistemas dinâmicos com agentes.
  • Por isso, context engineering está se tornando “a habilidade mais importante que um engenheiro de IA pode desenvolver”.

youtube.com/watch ↗

Risco de Segurança - Injecção de malvares dentro do codigo

As aplicações com LLMs estão evoluindo de prompts únicos para sistemas dinâmicos e complexos com agentes. Assim, a engenharia de contexto está se tornando a habilidade mais importante que um engenheiro de IA pode desenvolver.

o coração da engenharia de contexto e mostra claramente o porquê ela está se destacando como a evolução natural do uso de LLMs. Vamos resumir os pontos-chave :

✅ Principais ideias sobre Context Engineering

  1. Preparação é o diferencial

  • Diferente do vibe coding, onde se começa codando sem planejamento, a context engineering exige um investimento inicial para estruturar o contexto:

    • Regras globais
    • Exemplos práticos
    • Documentação do projeto
    • Padrões da equipe
    • Esse esforço inicial garante que o assistente de IA tenha todas as informações necessárias para produzir código confiável, consistente e pronto para produção.
  1. “Afiar o machado”
  • A comparação com Abraham Lincoln reforça o princípio: “Se eu tivesse seis horas para cortar uma árvore, passaria quatro afiando o machado.”
  • Traduzido para a IA: gastar tempo estruturando o contexto economiza tempo e retrabalho na implementação.
  1. Evolução dos aplicativos LLM
  • Aplicações estão saindo de prompts isolados e evoluindo para sistemas dinâmicos com agentes (multi-turn, memória, RAG, orquestração).
  • Isso exige que os engenheiros dominem a habilidade de preparar o “ambiente informacional” para a IA.
  1. A habilidade mais importante?
  • Pode soar exagerado, mas no cenário atual com agentes autônomos, pipelines e integrações complexas, o domínio de context engineering é cada vez mais essencial.
  • É ela que diferencia um projeto de IA “frágil” de um sistema robusto e escalável.

blog.langchain.com ↗

github.com ↗

Comparação direta:

Engenharia de Prompts

  • Foco: Escrever comandos claros, específicos e bem formulados para obter uma resposta pontual da IA.
  • Atua no ajuste de palavras, estrutura e exemplos dentro de um único comando ou pergunta.
  • Útil para tarefas simples, rápidas ou que exigem respostas diretas.
  • Limitações: Não garante consistência, nem considera regras do projeto, histórico, exemplos ou documentos externos.
  • Exemplo: “Escreva uma função Python que soma dois números.”

Engenharia de Contexto

  • Foco: Fornecer todo o conjunto de informações necessárias para a IA — regras, documentação, exemplos, histórico, padrões, objetivos e restrições.
  • Atua na organização, entrega e manutenção de contexto amplo, contínuo e estruturado.
  • Essencial para tarefas complexas, projetos de longo prazo, automação e integração em times.
  • Vantagens: Gera resultados mais confiáveis, alinhados com padrões e necessidades do projeto; reduz erros e “alucinações” da IA.
  • Exemplo: Além do prompt, entrega exemplos de código, regras do time, padrões de nomenclatura, documentação de API e histórico de decisões.

Resumo em tópicos:

  • Engenharia de prompt = comando único e bem feito.
  • Engenharia de contexto = todo ambiente informacional necessário.
  • Prompt serve para obter uma resposta; contexto serve para garantir que a resposta esteja certa, consistente e aplicável ao projeto real.
  • Engenharia de contexto engloba engenharia de prompt, mas vai muito além.

Engenharia de Prompts:

  • Escreve comandos pontuais e bem formulados.
  • Foco em perguntas claras para respostas diretas.
  • Útil para tarefas simples.

Engenharia de Contexto:

  • Fornece todas as informações, regras, exemplos e documentação.
  • Foco em preparar todo o cenário para a IA acertar sempre.
  • Essencial para tarefas complexas e projetos reais.

Resumo: Prompt = frase bem feita Contexto = tudo que a IA precisa saber

Gosto muito mais do termo “engenharia de contexto” do que “engenharia de prompt”.

Ele descreve melhor a habilidade central: a arte de fornecer todo o contexto necessário para que a tarefa seja plausivelmente solucionável pelo LLM (modelo de linguagem).

1. O contexto é a base da confiança

  • 65% dos desenvolvedores que usam IA para refatoração e cerca de 60% para testes, escrita ou revisão dizem que o assistente "não entende o contexto relevante".
  • Entre os que sentem que a IA piora a qualidade, 44% culpam a falta de contexto; mesmo entre os que mais prezam por qualidade, 53% ainda querem melhorias no contexto.
  • O pedido número 1 é “melhor compreensão contextual” (26% de todos os votos); adicionar “personalização aos padrões da equipe” eleva esse pedido para cerca de 30%.
  • Implicação: Um mecanismo de contexto amplo, que aprende com todo o repositório, não é um extra: é fundamental para garantir precisão, qualidade e confiança durante todo o ciclo de desenvolvimento de software (SDLC).

Tópicos e exemplos práticos:

  1. Falta de contexto:

  • Exemplo: A IA sugere uma alteração sem considerar regras específicas do projeto, causando problemas de integração. 2. Impacto na qualidade:

  • Exemplo: Mesmo quem já busca qualidade percebe que falta contexto e pede melhorias. 3. Personalização:

  • Exemplo: Ajustar a IA para seguir os padrões da equipe aumenta a confiança e a adoção. 4. Fundamento para confiança:

  • Exemplo: Só é possível confiar de verdade em soluções baseadas em IA se elas entenderem todo o cenário, regras e histórico do projeto.

A frase “a intuição não é escalável, mas a estrutura sim” significa:

  • Intuição: agir apenas com base em experiência, palpites ou tentativas — funciona em situações simples ou pequenas, mas não serve para projetos grandes, complexos ou que precisam crescer, pois cada pessoa resolve de um jeito, não há padrão, nem como treinar ou replicar o resultado.
  • Estrutura: criar processos, regras, padrões e documentações — permite que qualquer pessoa siga o mesmo caminho, facilita a automação, revisão, manutenção e crescimento dos projetos. Assim, o que é feito pode ser replicado e ampliado por diferentes pessoas ou por IAs.

Exemplo prático:

  • Escrever código por intuição pode funcionar para scripts rápidos, mas um sistema inteiro precisa de documentação, testes, padrões de código, etc.
  • Em IA, pedir para gerar código sem contexto (intuição) traz resultados ruins; entregar contexto estruturado (regras, exemplos, documentação) permite criar projetos completos e confiáveis, que outras pessoas ou IAs conseguem manter e escalar.

Resumindo: Usar só a intuição limita o crescimento e a repetição do que você faz. Estruturar o processo permite que o trabalho seja ampliado, melhorado e replicado por qualquer pessoa ou assistente, com qualidade e eficiência.

.Engenharia de Contexto Nascendo

chatgpt.com ↗

1

Recursos

↑ voltar ao topo · ver no Telegram ↗