Sommaire
Le centre de gravité du travail avec l'IA se déplace du « prompt engineering » vers le « context engineering ». Au-delà de peaufiner votre prompt (l'instruction), vous concevez et gérez l'ensemble des informations (le contexte) que vous transmettez au modèle — et en 2026, c'est devenu une compétence essentielle pour utiliser l'IA, en particulier pour construire des agents IA.
Cet article explique aux débutants ce qu'est le context engineering, pourquoi il compte (la clé est le « context rot ») et les techniques concrètes qu'il met en jeu.
Le contexte est un « budget limité »
— l'art de ne garder que l'information la plus utile, en quantité minimale
Faire le tri
Ne pas tout entasser — n'inclure que ce qui aide vraiment.
Ranger régulièrement
Résumer ou supprimer l'historique et les résultats d'outils obsolètes pour rester léger.
Récupérer à la demande
Ne pas tout charger d'emblée ; aller chercher l'information au moment où on en a besoin.
1. Qu'est-ce que le context engineering ?
En reprenant la définition d'Anthropic, le context engineering est « l'ensemble des stratégies permettant de sélectionner et de maintenir le jeu optimal de tokens (informations) que vous transmettez au modèle pendant l'inférence » (extrait de son article « Effective context engineering for AI agents », mars 2026). Il ne couvre pas seulement le prompt, mais tout ce qui entre dans la fenêtre de contexte : le system prompt, les outils, l'historique de conversation et les données externes.
Voyez-le comme « l'art de garder son bureau bien rangé ». Vous ne gardez à portée de main que les documents nécessaires et vous rangez ce dont vous avez fini de vous servir. Empilez les documents sur votre bureau (la fenêtre de contexte) et votre efficacité finit par chuter — il se passe exactement la même chose avec l'IA. C'est précisément pour cela que « quoi mettre, et quoi laisser de côté » est un problème de conception qui mérite d'être traité.
💡 En une phrase : le prompt engineering = « peaufiner l'instruction ». Le context engineering = « concevoir l'ensemble des informations que voit le modèle. » Le second est une discipline plus large qui englobe le premier.
2. Pourquoi c'est important : le mur du « context rot »
« Si la fenêtre de contexte peut contenir un million de tokens, pourquoi ne pas tout y mettre ? » Voilà le piège : plus vous ajoutez de tokens, plus la précision du modèle baisse en réalité. Ce phénomène s'appelle le « context rot » (la dégradation du contexte).
Lorsque Chroma a testé 18 modèles de premier plan (GPT, Claude, Gemini et d'autres) en 2025, tous sans exception sont devenus moins fiables à mesure que l'entrée s'allongeait. La raison : l'« attention » du modèle est un budget limité. Chaque token supplémentaire dilue ce budget, ce qui rend plus probable de manquer une information pertinente — et l'information placée au milieu d'un long contexte est particulièrement facile à oublier (« lost in the middle », perdue au milieu).
Plus l'entrée est longue, plus la précision baisse (illustration)
* Schéma conceptuel illustrant une tendance. Dans des études mesurées, les travaux de Stanford (2023) ont par exemple rapporté une précision chutant de 70–75 % à 55–60 % lorsqu'environ 4 000 tokens de documents de référence étaient fournis. La dégradation est plus marquée sur les tâches difficiles.
En somme, « un contexte plus long est toujours meilleur » est faux. C'est pourquoi le context engineering — ne garder que les tokens les plus utiles, en quantité minimale — est nécessaire. Pour les agents IA qui tournent longtemps et les agents de codage en particulier, le context rot tend à être la principale cause d'échec.
3. Ce que contient réellement le contexte
On a tendance à penser « contexte = prompt », mais en réalité bien plus d'éléments partagent cette même fenêtre — et tous consomment le budget.
System prompt
Les instructions fondatrices — rôle, règles, ton.
Définitions et résultats des outils
Les descriptions d'outils (par ex. MCP) et leurs sorties.
Historique de conversation et de travail
Les échanges jusqu'ici, plus le raisonnement accumulé par le modèle lui-même.
Données externes
Documents et code récupérés, résultats de recherche RAG, etc.
Plus la tâche est longue, plus l'historique et les résultats d'outils s'accumulent. Laissez faire et la fenêtre se remplit vite d'« informations importantes enfouies au milieu ». D'où la nécessité des techniques de rangement ci-dessous.
4. Six techniques essentielles
En s'appuyant sur les recommandations d'Anthropic et l'expérience de terrain, voici six techniques à fort impact. Le principe commun : « trouver le plus petit jeu de tokens à fort signal ».
① Des instructions au bon niveau de détail
Une logique de conditions trop fine est fragile ; trop vague, elle ne mord pas. Visez le juste milieu : « précis mais flexible ».
② Sélectionner ses outils
Écartez les outils qui se chevauchent ou dont on ne sait pas lequel s'applique. Réduisez-vous à quelques outils sans ambiguïté.
③ Récupération « just-in-time »
Plutôt que tout charger d'emblée, ne gardez que les chemins de fichiers et les liens, et allez chercher l'information au moment où vous en avez besoin. Même idée que la divulgation progressive des Claude Skills.
④ Compaction (compression par résumé)
Quand la fenêtre se remplit, résumez l'historique et reportez-le dans une fenêtre fraîche. Gardez les décisions et les points ouverts ; jetez les sorties d'outils redondantes.
⑤ Notes (mémoire externe)
Consignez l'avancement et les points clés dans un fichier hors de la fenêtre et relisez-les seulement au besoin. Cela préserve la cohérence des tâches longues.
⑥ Isoler avec des sous-agents
Confiez le travail lourd, comme la recherche, à un sous-agent et ne renvoyez qu'un résumé à l'agent principal. Le contexte détaillé reste hors du fil principal.
⚠️ Ne sur-concevez pas : faites d'abord la chose la plus simple qui fonctionne avant de sortir l'artillerie lourde. Ne pas ajouter d'informations inutiles et démarrer souvent une nouvelle session suffit déjà à aller loin.
5. Lien avec les prompts, le RAG et les Skills
Ces concepts voisins se confondent facilement, alors situons-les. Le context engineering est la « façon de penser globale » qui les relie tous.
- Prompt engineering : l'art de peaufiner les instructions. Il fait partie du context engineering.
- RAG : une méthode pour rechercher des connaissances externes et les ajouter au contexte. Un moyen de gérer « quoi récupérer et inclure ».
- Skills : un mécanisme qui déploie une procédure uniquement au besoin. Un exemple concret de récupération just-in-time.
Ainsi « peaufiner l'instruction » (prompts), « ajouter de la connaissance » (RAG) et « charger et décharger des procédures » (Skills) — le context engineering traite tout cela comme un seul problème de conception : quoi mettre dans la fenêtre, et quoi en retirer.
6. Ce que vous pouvez faire dès aujourd'hui
Avant toute implémentation difficile, il existe des habitudes que tout le monde peut adopter immédiatement.
- Démarrez une nouvelle conversation quand le sujet change : ne pas traîner l'ancien contexte restaure à lui seul la précision. Le geste le plus simple et le plus efficace.
- Ne collez pas de longs documents en entier : extrayez uniquement la partie pertinente et transmettez-la. Joindre le texte intégral se retourne souvent contre vous.
- Faites résumer en cours de route lors d'un long travail : demandez « liste les décisions prises jusqu'ici et les tâches restantes », puis poursuivez à partir de là (compaction manuelle).
- N'accumulez pas les outils et extensions : retirez les serveurs MCP et les skills que vous n'utilisez pas. Plus il y a d'options, plus le modèle hésite.
💡 C'est aussi moins cher : ne pas charger de tokens superflus se traduit directement par des économies sur le coût des tokens. La précision et le coût s'améliorent en même temps.
Conclusion
Trois points à retenir sur le context engineering.
- Ce que c'est : la discipline qui consiste à concevoir et gérer « l'ensemble des informations que voit le modèle », prompts inclus. L'étape qui suit le prompt engineering.
- Pourquoi : à cause du « context rot » — la précision baisse à mesure que vous ajoutez des tokens. Le contexte est un budget limité.
- Le truc : ne garder que les tokens les plus utiles, en quantité minimale. Vos armes sont la sélection, le rangement (résumé), la récupération à la demande et l'isolation par sous-agent.
Commencez par « nouvelle session quand le sujet change » et « ne coller que les points clés ». Pour aller plus loin, voyez aussi les Claude Skills et le harness engineering.
FAQ
Q. Le prompt engineering est-il devenu obsolète ?
A. Non. Le prompt engineering reste important en tant que partie du context engineering. La relation : par-dessus l'art de peaufiner les instructions, vous ajoutez la perspective de concevoir l'ensemble des informations.
Q. Utiliser un modèle avec une plus grande fenêtre de contexte règle-t-il le problème ?
A. Le context rot survient même avec une grande fenêtre. La recherche montre que tout entasser simplement parce qu'il y a de la place abaisse en réalité la précision. Une grande fenêtre, c'est de la « marge », pas une « autorisation de tout inclure ».
Q. Est-ce que cela concerne un usage chat ordinaire ?
A. Oui. Le simple fait de « démarrer une nouvelle conversation par sujet » et de « ne coller que les points clés » améliore la qualité des réponses. Ce sont des astuces utilisables dès aujourd'hui, même sans être ingénieur.
Q. Quelle est la différence entre le RAG et le context engineering ?
A. Le RAG est une méthode concrète — « rechercher des connaissances externes et les ajouter au contexte ». Le context engineering est le concept plus large qui gère « quoi mettre dans la fenêtre et quoi en retirer » dans son ensemble, et le RAG en est l'un des composants.
