Context engineering além do prompt gigante | guia prático
Prompt enorme não basta mais. Context engineering e abordagens como Archon: como organizar contexto para coding agents sem encher o contexto de lixo
Resposta direta
O gargalo migrou de 'qual modelo' para 'qual contexto entra na janela' — engenharia de contexto é o novo ofício. O que você realmente precisa é sua própria base de conhecimento, e não apenas qualquer base de conhecimento, mas uma através da qual o agente de AI pode obter os dados acurados que ele quer, o mais rápido possível. Para isso funcionar, você precisa ter o Docker funcionando, então tenha certeza de que o Docker.
Por que o mega-prompt morreu
As pessoas estão percebendo que simplesmente dar um grande prompt ao seu coder de AI não é suficiente mais. Engenharia de contexto é basicamente a arte de encher a janela de contexto do modelo com apenas o que precisa saber para uma tarefa específica. Você encontra erros, você pode precisar implementar algo novo, ou você descobre que precisa de contexto adicional no meio. O que você realmente precisa é sua própria base de conhecimento, e não apenas qualquer base de conhecimento, mas uma através da qual o agente de AI pode obter os dados acurados que ele quer, o mais rápido possível.
Sua documentação vive aqui, dando ao seu agente de AI a completa conhecimento do seu projeto. Isso significa que quando seu agente de AI se conecta, seja Clod ou Cursor, ele não cria documentação random. Em meu projeto de classe de tarefas, por exemplo, uma tarefa está no backlog enquanto 13 estão ativamente em progresso. A próxima é o server MCP, que conecta o Archon para seus agentes de AI.
Eles têm comandos de instalação para todos os agentes, como o código Claude, cujo comando é realmente difícil de procurar. Adicionei os docs para a base de conhecimento, coloquei a profundidade do crawl para 2, que é óptima, e deixe o crawler processar tudo. Este é um sistema compreensivo que combina engenharia de contexto, RAG, escravidão web e gestão de tarefas em uma plataforma. Ou se acham que é uma falha de pagamento apenas quando um cliente te tweeta?
O que é context engineering na prática
Depois que o repositório do GitHub é instalado, você vai fazer este comando específico que está mostrado aqui no repositório do GitHub. Agora, como o Archon é um hub de conhecimento, ele precisa de um database de dados para realizar o RAG e todas as capacidades de pesquisa de AI que ele oferece. É abrir o repositório atual dentro do cursor para que você possa acessar facilmente todos os arquivos. Você pode ver que eu já pastei o meu, mas basicamente você paste o código SQL lá e faça-o.
Vá para a seção de setas do Superbase e primeiro vá para a seção de API de dados. Depois navegue para as chaves do API, revela a chave do API de serviço e copie isso também. A primeira vez que você executa este comando, vai demorar um pouco, pois precisa coletar e construir todos os contêineres do Docker. Para isso funcionar, você precisa ter o Docker funcionando, então tenha certeza de que o Docker está ligado e funcionando no fundo do seu sistema, seja você está em Windows ou Mac, antes de executar este comando.
O Docker irá começar todos os contêineres e você verá uma barra de progresso mostrando o progresso do setup. Depois de terminar, você verá que quatro contêineres foram iniciados, Agentes Arcon, Server Arcon, MCP Arcon e o End Front. Finalmente, se você ir para a UI Arcon, que está agora funcionando, você vai encontrar ela no localhost 3737. Apenas entre na adreça no seu browser e ela automaticamente te levará pelo primeiro passo, o passo de onboarding que faz com que tudo seja configurado para seu uso.
Leitura útil
O gargalo migrou de 'qual modelo' para 'qual contexto entra na janela' — engenharia de contexto é o novo ofício. Use o trecho acima como restrição, não como citação ornamental.
Archon e organização de tarefas
Depois de ter instalado tudo e seus serviços estão funcionando, quando você abrir o link do End Front no seu browser, você vai ser convidado com esse fluxo de onboarding. Na documentação deles, eles especificamente listaram Google Gemini e seus modelos gratuitos como uma boa alternativa. Eles mencionaram que os modelos limitados de freio são completamente suficientes para este caso de uso e você não vai acessar os limites durante a operação normal. A razão pela qual você precisa proporcionar outra chave de API é para a implementação do RAG.
Este processo de conversão é o que faz a busca tão rápida e acurada, e requer um modelo para criar essas representações numerológicas significativas. Pense neste passo como escrever um PRD e você pode discutir isso com o código cláudio e finalizar isso. Pense em seu agente de código como a ferramenta que só está lá para executar tarefas, enquanto que o Archon é a caixa de contexto onde todos os seus conhecimentos e instruções vivem. Voltando ao processo, uma vez que a documentação estava pronta e tinha a base de conhecimento da SwiftUI, ela precisava criar tarefas.
Se você olhar para a tabla de tarefas, você verá que há tarefas colocadas no backlog e as que foram feitas são uma revisão de espera. Depois eu lhe disse que a aplicação iOS que eu fiz no Xcode já estava instalada e que precisava começar o desenvolvimento. Usando o tool de tarefas de gestão, a MCP do Archon começou a executar as tarefas. Antes, como você sabe, o grande problema era dar algum contexto para uma única tarefa e muitas vezes esse contexto não seria suficiente.
Sinais de contexto poluído
O agente de código é integrado com o Archon, para que, quando se sente até a menor incerteza, automaticamente captura a documentação necessária. Antes de criar tarefas ou PRDs, já usa o RAG para juntar contexto, mas durante o processo inteiro, continua capturando mais documentação se necessário. Dessa forma, nunca se relia a uma pesquisa web inacurada ou ao contexto limitado da tarefa. Este arquivo, essencialmente, diz ao agente como funcionar com o conector do Archon MCP.
Você pode escolher o modelo, alterar várias opções, ou até usar uma alternativa mais barata com a chave de API de free tier de Google. Então, indo em frente, eu completei o primeiro ciclo, e depois eu fiz uma pequena errada na app, que é normal com Swift. Ele não encontrou muito nisso, então tirou os exemplos do código e encontrou alguma implementação útil nisso. Agora, de certa forma, isso é similar ao que você já viu em outros sistemas de framework com gestão de tarefas, como por exemplo o método BMAD.
Perfeito fluxo com isso, mas a coisa incrível que a Archon te dá é sua base de conhecimento e é isso que eu estou encorajando você a se aproveitar. Estou seguro de que olhando para isso as pessoas definitivamente vão começar a construir mais ferramentas em cima disso e é por isso que estou realmente animado por isso. Não pode ser feito automaticamente com uma comanda, então eu ainda tive que fazer um pouco de trabalho manual, que é por isso que o widget não está mostrando aqui. Se você quiser apoiar o canal e nos ajudar a continuar fazendo vídeos como este, você pode fazer isso usando o botão de super obrigado abaixo.
Rotina semanal de higiene de contexto
Se você usa código cláudio ou cursor, não importa. As pessoas estão percebendo que simplesmente dar um grande prompt ao seu coder de AI não é suficiente mais. Essa percepção levou à introdução da engenharia de contexto há um tempo atrás. Agora, eu tive problemas com essa abordagem também.
Engenharia de contexto é basicamente a arte de encher a janela de contexto do modelo com apenas o que precisa saber para uma tarefa específica. Você nunca segue um caminho definido quando coda. Você encontra erros, você pode precisar implementar algo novo, ou você descobre que precisa de contexto adicional no meio. O que você realmente precisa é sua própria base de conhecimento, e não apenas qualquer base de conhecimento, mas uma através da qual o agente de AI pode obter os dados acurados que ele quer, o mais rápido possível.
É aqui que esse novo sistema de agentes, o Archon, entra. Deixe-me dar uma visita clara ao Archon, e depois explique como ele resolve um dos maiores problemas na codificação de AI. Eu tenho dois projetos aqui, um projeto de teste e um projeto de task. Cada projeto contém dois tablas essenciais, docs e tasks.
Próximo passo
Escolha uma métrica (tempo, retries, conversão ou qualidade aceita) e rode 7 dias antes de escalar o padrão.