Le context engineering est l'ensemble des méthodes qui conçoivent et gèrent le contexte des grands modèles de langage et des agents IA : décider quelles informations entrent dans le prompt, dans quel ordre, en quelle quantité, et comment le surplus est compressé ou écarté. Il n'étudie pas la structure interne du modèle ; il ne s'occupe que de ce que le modèle voit devant lui à chaque réponse. Un bon contexte permet à l'agent de travailler de façon stable ; un contexte désordonné fait dévier même le modèle le plus puissant, qui finit par répondre à côté de la question.
Que contient réellement le contexte ?
Le contexte d'une réponse se compose généralement de cinq types de matériaux : le prompt système fixe le rôle et les règles ; l'historique de conversation conserve les échanges précédents ; les résultats de recherche apportent des informations fraîches venues de l'extérieur ; les appels d'outils renvoient des résultats d'exécution ; et la mémoire à long terme stocke les préférences et les faits d'une session à l'autre. Le travail du context engineering consiste à hiérarchiser ces cinq types de matériaux dans une fenêtre limitée : l'important passe devant, ce qui est périmé est supprimé, ce qui est trop long est résumé avant d'entrer. La longueur de la fenêtre n'est qu'un plafond — les nouveaux modèles ne cessent de l'allonger. Par exemple, DeepSeek V3.1 a étendu la longueur de contexte de son service en ligne à 128K. Mais ce qui détermine vraiment la qualité, c'est toujours l'arbitrage.
Le context engineering n'est ni le prompt engineering, ni le RAG
Le prompt engineering porte sur la rédaction claire d'une instruction unique ; c'est un savoir-faire ponctuel. Le RAG porte sur la recherche de documents pertinents dans une base de connaissances externe ; c'est un processus de récupération. Le context engineering, lui, pilote l'ensemble du déroulement, du début à la fin de la tâche, en décidant en continu ce qui reste dans le contexte, ce qui est écarté et quand rafraîchir. Pour prendre une image : le prompt engineering, c'est bien écrire un pense-bête ; le RAG, c'est aller chercher des dossiers aux archives ; le context engineering, c'est fixer les règles de tout l'établi. Les trois apparaissent souvent ensemble, mais ils ne résolvent pas des problèmes situés au même niveau.
Trois idées reçues fréquentes
Premièrement, plus la fenêtre est grande, moins le context engineering compterait. C'est l'inverse : plus la fenêtre est grande, plus le bruit qui peut y entrer est important, et plus le modèle se laisse distraire par des détails sans rapport — l'arbitrage devient donc plus crucial. Deuxièmement, plus on en met, mieux la réponse serait. En pratique, accumuler du contenu sans rapport dilue les informations essentielles, et la qualité des réponses baisse souvent au lieu d'augmenter. Troisièmement, la mémoire serait la même chose que le contexte. La mémoire, ce sont des faits conservés d'une session à l'autre ; le contexte, ce sont les matériaux étalés sur la table pour la tâche en cours. La mémoire n'influence une réponse qu'une fois sélectionnée et placée dans le contexte.
Pour juger si un produit d'agent est bien construit, on peut regarder comment il traite le contexte : oublie-t-il son objectif au milieu d'une longue tâche ? Peut-il retrouver son état à partir des résultats d'outils après une erreur ? Se souvient-il des accords précédents quand le sujet change ? Derrière ces comportements, ce qui fait la différence, ce n'est pas le nombre de paramètres du modèle, mais la qualité du context engineering. Pour essayer soi-même, commencez par les plus petites habitudes : ne garder à chaque tour que l'historique de conversation nécessaire, consigner régulièrement les parties terminées sous forme de résumé, et ne conserver des résultats d'outils que les conclusions, pas le texte intégral.
Q : Une fenêtre de contexte plus grande rend-elle le context engineering moins important ?
A : C'est exactement l'inverse. Une fenêtre plus grande ne fait qu'élever le plafond, et le bruit grandit avec elle, si bien que le modèle se laisse plus facilement distraire par des détails sans rapport. Plus la fenêtre est grande, plus il faut des règles d'arbitrage qui décident de ce qui entre et de ce qui sort.