# Контекст-инжиниринг: почему дело не в промпте, а в папке

Почему промпт больше не решает, а результат ИИ-агента зависит от контекста. Что такое контекст-инжиниринг и как непрограммисту собрать его из файлов.

URL: https://posts.danashkin.ru/guides/kontekst-inzhiniring
Обновлено: 2026-08-10

---

## Коротко

**Главное**

- Промпт-инжиниринг был навыком эпохи чат-ботов: одно окно, один вопрос, магические фразы. Для ИИ-агентов, которые работают часами и сами вызывают инструменты, этого мало.
- Контекст-инжиниринг - это системная работа с тем, что агент видит и помнит на каждом шаге. Выигрывает не тот, кто знает лучший промпт, а тот, кто собрал лучший контекст.
- Секрет для непрограммиста простой: контекст - это обычная папка с файлами-инструкциями, которые агент читает перед каждой задачей. Кто ты, что за продукт, какие правила, что уже сделано.
- Модель редко «тупая». Чаще ей просто не дали контекст. Эта статья - о том, как его собрать, даже если ты не технарь.

## Почему «идеальный промпт» больше не решает

**Главное**

Промпт-инжиниринг родился, когда ИИ был диалогом в одно окно. Современный агент - это цепочка из сотен шагов. Там формулировка вопроса весит куда меньше, чем то, какие данные агент получил на входе.

Ещё пару лет назад умение писать хороший промпт считалось суперспособностью. Люди собирали библиотеки «золотых промптов», продавали подборки волшебных фраз, заучивали «think step by step». Пока ИИ жил в одном окне чата, это правда работало: правильные примеры и чёткая структура реально меняли ответ.

Сегодня этого мало. И вот почему.

Современный [ИИ-агент](/concepts/ai-agent) - это не один вопрос и один ответ. Это цепочка из десятков и сотен вызовов модели, где на каждом шаге кто-то должен решить: какие данные из прошлых шагов тащить дальше, какие инструменты подключить, что из памяти достать, а что выбросить, чтобы не переполнить окно. Идеальная формулировка одного шага не спасёт, если агент получил на вход мусор, устаревшие данные или обрезанную историю.

Правило старое, как сама работа с данными: мусор на входе - мусор на выходе. Только теперь это происходит внутри автономной цепочки: ошибка накапливается, и заметить её труднее. Модель может быть сколь угодно умной. Она работает с тем, что ей подали.

Поэтому навык и сместился. Раньше был важен промпт-инжиниринг - сейчас контекст-инжиниринг. Модели уже понимают почти любую формулировку нормально, а вот контекст им нужно подать правильно. За последний год об этом заговорили и в большой инженерии: от подбора формулировок все переходят к проектированию того, что вообще попадает модели в поле зрения.

## Что такое контекст-инжиниринг простыми словами

**Главное**

Контекст-инжиниринг - это системная работа с тем, какая информация, в каком виде и в какой момент попадает агенту в поле зрения. Не одна фраза, а вся обвязка вокруг задачи: роль, данные, ограничения, память.

Разберём простым языком. [Контекст-инжиниринг](/concepts/context-engineering) - это управление тем, что модель знает прямо сейчас, чтобы принять верное решение. Если промпт-инжиниринг отвечает на вопрос «как сформулировать задачу», то контекст-инжиниринг отвечает на вопрос «что агент должен видеть перед глазами, когда её выполняет».

Простая аналогия, которую я всегда привожу на обучении. ИИ-агент - это очень способный стажёр. Умный, быстрый, но новый. С коллегой вы понимаете друг друга с полуслова - у вас общий контекст, годы совместной работы. А стажёру надо объяснить подробно: кто мы, что за продукт, как у нас принято, где лежат документы. Дай стажёру контекст - он вытянет сложную задачу. Не дай - получишь общие слова, потому что откуда ему знать специфику.

Вот живой пример разницы. Попроси нейросеть сварить борщ - напишет отличный рецепт, тут контекст и не нужен, он общий для всех. А попроси построить маркетинговую стратегию - без контекста получишь воду в стиле «изучите аудиторию и определите УТП». Дело не в формулировке. Во втором случае агенту нужны роль, ограничения, цифры, специфика бизнеса. Сложную задачу вытягивает контекст вокруг неё.

Отсюда мой главный тезис по теме: выигрывает не тот, кто знает лучший промпт, а тот, кто собрал лучший контекст.

**Останься на связи**

Каждую неделю разбираю такие штуки на реальных задачах бизнеса - инструменты, кейсы, ошибки. Если тема твоя, подпишись на канал [@ai_anashkin](https://t.me/ai_anashkin), чтобы не пропустить.

## Из чего складывается контекст агента

**Главное**

Контекст - это несколько слоёв, которые собираются заново перед каждым вызовом модели: правила, память короткая и длинная, инструменты, документы и цель текущего шага. Один текстовый блок этого не заменит.

Представь контекст как сборочную линию: у каждого элемента своя роль, и вместе они дают агенту полную картину. Вот из чего он складывается, на человеческом языке.

- **Роль и правила.** Кто агент, как себя ведёт, чего не делает. Это то, что раньше звали системным промптом. Он всё ещё нужен, но занимает малую часть картины.
- **Короткая память** - история текущей задачи: что уже сделано, какие решения приняты. Без сжатия она быстро съедает всё окно.
- **Длинная память** - факты о тебе, компании, прошлых разговорах. Их достают точечно под запрос, а не держат всё время в поле зрения.
- **Инструменты и их результаты** - что агент умеет вызвать (поиск, база, API) и, главное, отфильтрованный ответ. Сырой ответ на пять тысяч строк убивает и качество, и бюджет.
- **Документы и данные** - нужные куски из твоей базы знаний: регламенты, тексты, таблицы. Не вся папка целиком, а то, что относится к делу.
- **Цель текущего шага** - что именно надо сделать прямо сейчас, в отличие от общей цели. Без этого агент расползается и решает не то, о чём просили.

Ключевое слово тут - «заново перед каждым вызовом». Контекст не статичен. «Настроил один раз» здесь не работает: это живая сборка, которая на каждом шаге решает, что положить агенту на стол.

## Секрет непрограммиста: контекст - это папка с файлами

**Главное**

Тебе не нужны векторные базы и код, чтобы начать. Секрет не в промпте, а в том, что ты положишь в папке. Заводишь агенту файлы-инструкции: кто ты, что за продукт, какие правила, что уже сделано - и агент читает их перед каждой задачей.

Теперь то, что почти никто не использует. По моим наблюдениям, большинство тех, кто работает с ИИ-агентами, каждый раз заново объясняют одно и то же и упираются в потолок «модель тупая». Модель не тупая. Ей просто не дали контекст.

А контекст для непрограммиста - это не магия и не код. Это папка с файлами. Ты один раз описываешь в обычных текстовых файлах: кто ты, что за продукт, кто аудитория, какие правила, что уже сделано. Агент читает их перед работой и действует как сотрудник, который знает карту офиса, а не как случайный человек с улицы. Это и есть [второй мозг](/concepts/vtoroy-mozg) проекта.

Один такой файл-навигатор (в Claude Code он называется CLAUDE.md) - это как трудовой договор агента. Ты один раз прописал правила, и дальше агент не переспрашивает одно и то же. Важно: этот файл - оглавление, а не книга. В нём только маршрут: «для задачи про продукт читай вот этот файл, про клиентов - вон тот». Детали лежат в отдельных файлах, куда агент заглядывает по мере надобности.

Почему именно текстовые файлы папками, а не один большой документ? Потому что так агент читает их как человек - по оглавлению, открывая только нужное. Формат - обычный Markdown, самый понятный для нейросети. Не нужен Word, не нужна база данных. Нужна структура вместо хаоса.

Вспомни про айсберг. Многие думают, что залог результата - это модель: купить подписку помощнее, взять топовую нейросеть. На самом деле сама модель - это верхушка, процентов десять. Компании жгут деньги на подписки и серверы, а результата нет, потому что никто не выстроил вокруг контекст. Основное - под водой: как ты собрал знания, которые агент читает перед каждой задачей. Секрет не в инструменте, а в логике вокруг него.

Если это звучит абстрактно - у меня есть отдельный подробный разбор [12 принципов вайбкодинга для предпринимателя](/guides/vibecoding-dlya-predprinimatelya-12-principov), там второй мозг показан на живых примерах.

**Как это выглядит на практике**

Мой рабочий второй мозг разложен на три слоя: «кто я и как думаю» (личность, голос, принципы), «про что бизнес» (продукт, аудитория, экономика - свой на каждый проект) и «чужая экспертиза» (методологии, которым я доверяю). Агент перед задачей проходит по нужным файлам и работает уже в курсе дела, а не с чистого листа.

### Как наполнить второй мозг, если ты не технарь

**Главное**

Собрать контекст можно голосом и готовыми материалами, без единой строки кода. Пять рабочих способов - ниже.

Хорошая новость для непрограммиста: наполнить второй мозг можно тем, что у тебя и так есть. Не садиться и печатать методичку, а собрать из готового.

1. **Голосовое интервью**

   Надиктуй агенту рассказ о себе и бизнесе, как другу. Он сам разложит это в структуру файлов.

2. **Транскрипции**

   Расшифровки вебинаров, созвонов, выступлений - готовая фактура твоим голосом, её просто отдать агенту.

3. **Переписки и письма**

   Перешли важные письма и обсуждения - там живые формулировки и решения, которых нет больше нигде.

4. **Экспорт чатов**

   Выгрузи рабочие переписки из мессенджера - агент вытащит повторяющиеся вопросы и твои ответы.

5. **Готовые документы**

   Регламенты, презентации, прайсы - всё, что уже описывает твой бизнес, идёт в дело.

Смысл один: ты не пишешь контекст с нуля, ты собираешь его из того, что накопил за годы. Задача агента - разложить это по полкам, чтобы читать перед каждой работой.

**Хочешь собрать систему целиком**

То, что в статье - первый шаг. Как выстроить внедрение ИИ под свою команду и процессы, я разбираю на [интенсиве по нейросетям для бизнеса](https://danashkin.ru/workshop): без магии, по делу, с результатом, который остаётся у вас.

## Почему это выстрелило именно сейчас

**Главное**

Раньше типичная работа с ИИ - один вопрос за пару секунд. Сейчас агенты работают часами и многими шагами, и в такой цепочке ошибка в контексте накапливается. Плюс сработал неожиданный эффект: большое окно только провоцирует грузить лишнее.

Рост важности контекста связан с тем, как изменились сами агенты. Ещё недавно сценарий был простой: задал вопрос, получил ответ. Сейчас агент выполняет многошаговую задачу - читает документы, ходит в несколько сервисов, координируется с другими агентами, работает часами без остановки.

В такой архитектуре ошибка в контексте не гаснет со временем, она копится. Если на десятом шаге агент получил неполные данные, к тридцатому он строит решение на искажённой картине мира. Со стороны это выглядит как «модель тупит», хотя на самом деле ей просто подсунули не тот набор фактов.

Есть и контринтуитивный момент - размер контекстного окна. Казалось бы, чем больше окно, тем проще: закинь туда всё, и пусть разбирается. На практике наоборот. Модель хуже использует информацию, засунутую в середину очень длинного контекста, даже если по лимиту токенов она туда влезает. Этот эффект в исследованиях так и называют - «потеря в середине». Вывод простой: большое окно работу с контекстом не отменяет. Наоборот, усиливает соблазн навалить лишнего. А лишнее топит нужное.

**Раздутый контекст вредит**

Частая ошибка новичка - запихнуть в файл-инструкцию вообще всё «на всякий случай». Результат обратный: агент думает хуже, лимиты улетают быстрее, нужное тонет в ненужном. Контекстное окно - это память, которую модель держит в голове одновременно. Всё держать она не может, поэтому не перегружай.

## Пять принципов, чтобы контекст работал на тебя

**Главное**

Хороший контекст - это ровно та информация, что нужна для текущего шага. Больше не значит лучше. Пять принципов: релевантность вместо полноты, структура, свежесть, сжатие истории и правило «один чат - одна задача».

**Принцип 1. Релевантность важнее полноты.** Дай агенту минимально достаточное для текущего шага. Каждый лишний фрагмент - это шум, который конкурирует за внимание с важным. AI читает не всё - AI читает правильное.

**Принцип 2. Структура вместо сплошного текста.** Одна и та же информация, поданная списком с явными заголовками, усваивается лучше сплошной простыни. Раздели: вот роль, вот факты, вот правила, вот история. Модели проще, когда видно, что есть что.

**Принцип 3. Свежесть.** Длинная память должна обновляться, а не копиться бесконечно. Устаревший факт, который спорит с новым, - частая причина странного поведения агента. Отдельно про цифры: меняющиеся значения (цены, метрики) не зашивай намертво в текст, держи в одном месте и обновляй, иначе они протухнут и агент будет врать с умным видом.

**Принцип 4. Сжатие истории.** Длинную переписку с агентом надо периодически сворачивать в короткую сводку - оставлять суть и ключевые решения, а не полный лог всех сообщений. Так фокус держится на актуальном, а окно не забивается.

**Принцип 5. Один чат - одна задача.** Это тактическая гигиена контекста. У агента есть окно, и оно засоряется. Спросишь в одном чате про калорийность бананов, а потом про стоимость недвижимости - рискуешь получить цену недвижимости где-то рядом с банановой плантацией. Утрирую, но суть такая: новая задача - новое окно. А если чувствуешь, что контекст перегрелся, - сожми его или начни заново.

## Частые ошибки при работе с контекстом

**Главное**

Одни и те же грабли повторяются у всех новичков: свалить всё в один блок, слепо верить поиску, копить устаревшее и вспоминать про лимиты только когда всё сломалось.

- **Вся история целиком без сжатия.** Окно забивается, важные детали вымываются к середине разговора.
- **Слепое доверие к автопоиску.** Агент нашёл документы - но без отбора по релевантности в контекст попадают случайные, слабо связанные куски.
- **Каша из правил и данных.** Статичные инструкции и меняющиеся факты свалены в один большой текст, и агенту сложно понять, где правило, а где разовый факт.
- **Устаревшее не вычищается.** Старые версии фактов продолжают влиять на решения, потому что их никто не пометил как неактуальные.
- **Про лимиты вспоминают в проде.** Пока задачи короткие, всё летает. Проблема всплывает, когда разговоры становятся длинными, - и всегда не вовремя.

Заметь: почти все ошибки - это не про технику, а про дисциплину. Про то, наводишь ты порядок в контексте или надеешься, что большая модель как-нибудь разберётся сама. Не разберётся.

## Частые вопросы

**Главное**

Короткие ответы на четыре главных вопроса непрограммиста: нужен ли для этого код, обязательны ли векторные базы, чем это отличается от промпта и с чего начать завтра.

### Частые вопросы

**Мне нужно уметь программировать?**

Нет. На старте контекст - это обычные текстовые файлы с описанием твоего дела: кто ты, что за продукт, какие правила. Написать их можно словами и даже голосом. Код и сложные хранилища нужны позже и не всем.

**А векторные базы и RAG обязательны?**

Нет, это инструменты для больших объёмов данных и продвинутых сценариев. Для личного агента или агента небольшой команды хватает грамотно разложенных файлов-инструкций. Не начинай со сложного стека - начни с папки.

**Чем это отличается от хорошего промпта?**

Промпт - это одна формулировка задачи. Контекст - вся обвязка вокруг: кто агент, что он знает, что помнит, чем ограничен. Хороший промпт поверх мусорного контекста всё равно даёт мусор. А нормальный контекст вытянет и среднюю формулировку.

**С чего начать буквально завтра?**

Заведи агенту один файл-инструкцию про себя и свой проект: кто ты, что делаешь, кто клиент, какие правила. Дальше в каждой задаче агент будет отталкиваться от него, а не от чистого листа. Это уже даст заметную разницу.

## Главный вывод

**Главное**

Промпт-инжиниринг не исчез, но перестал быть главным навыком. Формулировка важна только тогда, когда агент уже получил правильный, актуальный и структурированный контекст. Контекст-инжиниринг решает именно это.

Мы переходим от одной парадигмы к другой. От «выучи волшебные фразы для промпта» - к «собери агенту контекст, в котором он работает как твой сотрудник». Формулировка запроса всё ещё имеет значение, но только поверх правильного контекста. А контекст определяет, будет агент надёжным помощником или источником случайных, труднообъяснимых ошибок.

И хорошая новость для тебя как для непрограммиста: тут твой бизнес-опыт весит больше, чем чей-то технический бэкграунд. Собрать контекст - это описать своё дело, а это ты знаешь лучше любого разработчика. Если хочешь понять, откуда вообще берутся эти агенты и чем Claude Code отличается от обычного чат-бота, посмотри разбор [что такое Claude Code и Codex](/guides/chto-takoe-claude-code-i-codex).

Как думаешь: контекст-инжиниринг уравнивает шансы для маленьких игроков, у которых есть глубокое знание своего дела, - или в первую очередь ускорит тех, кто и так впереди?

### Источники

- [Nelson F. Liu и др. - «Lost in the Middle: How Language Models Use Long Contexts» (эффект «потери в середине» длинного контекста), 2023](https://arxiv.org/abs/2307.03172)
- [Anthropic Engineering - «Effective context engineering for AI agents» (как проектировать контекст для агентов), 2025](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)