Context Engineering

Hvad er context engineering?

Context engineering er disciplinen at kuratere præcis den information en AI-model får i sit kontekstvindue. Ikke kun den prompt du skriver, men alt: system-prompten, beskrivelserne af de værktøjer modellen kan bruge, data den henter undervejs, samtalehistorikken og de eksempler du giver den.

Se et konkret eksempel i guiden om at give Claude viden i lag. Her deler vi en skill op, så agenten kan hente det, den skal bruge.

Termen blev populær i juni 2025, blandt andet efter at Shopify-stifter Tobi Lütke og AI-forsker Andrej Karpathy beskrev den som et mere præcist begreb end prompt engineering (Simon Willison). Pointen er enkel: når en AI-agent arbejder autonomt i timer og samler information op undervejs, er det ikke nok at skrive én god instruktion. Du skal styre hele den kontekst modellen ser, hele tiden.

Dex Horthy fra HumanLayer skubbede begrebet videre med “Advanced Context Engineering for Coding Agents” og “12-Factor Agents”. Hans kernepointe: indholdet af kontekstvinduet er den eneste reelle håndtag du har på kvaliteten af outputtet. Derfor bør hele arbejdsgangen bygges op om bevidst styring af konteksten frem for længere prompts.

Context engineering vs. prompt engineering

1. Omfang. Prompt engineering: den enkelte instruktion. Context engineering: alt modellen ser, inklusiv prompten.
2. Tidshorisont. Prompt engineering: ét svar ad gangen. Context engineering: hele forløbet i en agent der kører over tid.
3. Fokus. Prompt engineering: formulering. Context engineering: udvælgelse og styring af information.

Prompt engineering forsvinder ikke. Det bliver en delmængde af context engineering. En god prompt er stadig vigtig, men den er kun én del af den samlede kontekst.

Hvad er context rot?

Context rot er navnet på et velkendt problem: en models output bliver dårligere efterhånden som kontekstvinduet fyldes op. Begrebet fik fart med en rapport fra Chroma i juli 2025, der målte faldet på 18 modeller (Chroma). Selvom en model teknisk kan rumme hundredtusindvis af tokens, betyder det ikke at den bruger dem lige godt. Jo længere og mere rodet konteksten bliver, jo sværere har modellen ved at finde det relevante og ræsonnere korrekt.

Det er derfor lange chat-samtaler ofte bliver mærkbart dårligere over tid, og hvorfor det tit hjælper at starte en ny samtale.

Dex Horthy anbefaler at bygge hele arbejdsgangen op om at holde kontekstvinduet 40-60 procent fyldt, afhængigt af opgavens kompleksitet, og at rydde op løbende i stedet for at fylde vinduet helt.

Principper i god context engineering

1. Mindre er mere. Giv modellen den information den skal bruge, ikke alt du har. Ekstra kontekst gør sjældent output bedre og gør det ofte dårligere.
2. Relevans frem for fuldstændighed. Hent og indsæt kun det der er relevant for opgaven lige nu. Det er hele ideen bag retrieval-augmented generation.
3. Frisk kontekst ved behov. Når en samtale bliver lang og rodet, så start forfra med kun det vigtige. Det er grundprincippet bag Ralph Loop-mønsteret.
4. Bevidst komprimering. Dex Horthy kalder det “intentional compaction”: komprimér løbende dine fund til korte, strukturerede dokumenter, så agenten arbejder videre fra et resumé i stedet for hele historikken.
5. Struktur over støj. En velorganiseret kontekst med klare sektioner slår en lang, ustruktureret tekstklump.
6. Progressive disclosure. Lad modellen hente detaljer ved behov i stedet for at proppe alt ind på forhånd.

Context engineering i praksis

1. Agentopsætning. Du designer system-prompt, værktøjer og hukommelsesfiler så agenten har præcis det den skal bruge, uden at overfylde konteksten.
2. RAG-pipelines. Du henter de mest relevante dokumenter til en forespørgsel i stedet for at give modellen hele databasen.
3. Lange agent-loops. Du nulstiller konteksten mellem iterationer og genindlæser kun det essentielle fra filer, så context rot ikke ophober sig.
4. Fejlsøgning. Når en agent begynder at hallucinere eller miste tråden, er overfyldt kontekst ofte synderen. Løsningen er at rydde op, ikke at skrive en længere prompt.