╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok ╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok

Concept

Qu'est-ce que
l'ingénierie de contexte ?

C'est le passage de l'ingénierie de prompt aux opérations de contexte, la discipline qui consiste à concevoir, compresser et gérer l'environnement d'information complet dans lequel votre agent IA travaille. LeanCTX est cette discipline, automatisée — la couche d'ingénierie de contexte pour les agents IA.

Le Problème

Les prompts seuls ne suffisent pas

L'ingénierie de prompt a optimisé l'entrée. L'ingénierie de contexte optimise l'environnement.

Lorsque les agents IA étaient limités à des interactions en un seul tour, l'ingénierie de prompt était suffisante. Vous rédigez la bonne instruction, le modèle renvoie une réponse utile et le flux de travail se termine.

Les agents de codage IA modernes fonctionnent différemment. Ils exécutent des flux de travail multi-étapes sur des dizaines de fichiers, maintiennent un état à travers les sessions et prennent des décisions qui s'accumulent dans le temps. Le prompt n'est plus le goulot d'étranglement, c'est le contexte.

Un agent de codage avec un prompt parfait mais un mauvais contexte va halluciner des chemins de fichiers, perdre la trace des décisions antérieures et répéter un travail qu'il a déjà effectué. Le mode de défaillance n'est pas de mauvaises instructions, c'est une image incomplète de la base de code.

Le Cadre

Trois changements par rapport aux prompts vers l'ingénierie de contexte

L'ingénierie de contexte représente un changement fondamental dans notre façon d'envisager les entrées des agents IA.

Prompts statiques → Pipelines contextuels dynamiques

Au lieu d'un prompt système fixe, l'ingénierie de contexte construit un pipeline qui assemble le bon contexte pour chaque tâche, en lisant uniquement ce qui est pertinent, au niveau de compression approprié, avec les bons métadonnées.

Curations manuelles → Compression automatisée

Plutôt que de choisir manuellement quels fichiers inclure, l'ingénierie de contexte lit la structure de chaque fichier, conserve les parties qui véhiculent un signal réel et compresse le reste, automatiquement.

À usage unique → Mémoire persistante entre sessions

L'ingénierie de contexte ajoute une mémoire de session, un graphe de connaissances et des transferts propres, afin que les agents développent une compréhension au fil du temps plutôt que de repartir de zéro à chaque conversation.

La Discipline

Qu'est-ce que le context engineering inclut

Le context engineering couvre quatre domaines interconnectés, chacun abordant un aspect différent de l'environnement d'information de l'agent.

Compression

Intégrer plus de signaux dans moins de jetons

Multiples modes de lecture (complet, map, signatures, entropy, agressif), l'analyse AST tree-sitter sur plus de 26 langages et le chunking sémantique réduisent le contenu des fichiers de 60 à 99 % tout en préservant les informations dont les agents ont besoin pour prendre des décisions.

Memory

Maintenir la compréhension entre les sessions

Les instantanés de session, les graphes de connaissances, les registres de passation et la mémoire prospective permettent aux agents de se souvenir des décisions antérieures, d'éviter le travail répété et de transférer le contexte entre les membres de l'équipe ou les instances d'agents.

Governance

Contrôler ce que les agents peuvent accéder

Les politiques d'accès basées sur les rôles, les budgets de jetons, l'application des SLO et le sandboxing de chemin garantissent que les agents opèrent dans des limites définies, en lisant uniquement ce qu'ils devraient, et en dépensant uniquement ce qui est alloué.

Vérification

Prouver que la compression n'a pas perdu d'informations

La validation des sorties, les artefacts de preuve, les vérifications de préservation de chemin et d'identifiant, et le score de perte d'information donnent une confiance mesurable que le contexte compressé conserve le contenu sémantique requis par l'agent.

Implémentation

Comment LeanCTX implémente le context engineering

LeanCTX est un runtime open-source de context engineering qui apporte ces principes en production pour les agents de codage IA.

81 outils MCP

Une surface d'outils complète pour lire, rechercher, compresser et gérer le contexte, le tout exposé via le Model Context Protocol.

10 modes de lecture

Des lectures mises en cache complètes à la compression filtrée par entropie, chaque mode est optimisé pour une tâche spécifique : édition, exploration, révision ou référence.

Plus de 95 motifs shell

Compression basée sur des motifs pour les sorties git, cargo, npm, docker et autres CLI, réduisant les résultats de commandes verbeux en résumés structurés et efficaces en tokens.

Aucun appel réseau

S'exécute entièrement localement. Pas de télémétrie, pas de dépendances cloud, aucune donnée ne quitte votre machine. Open-source sous Apache-2.0.

Explorer l'architecture complète

FAQ

L'ingénierie de contexte, expliquée.

Qu'est-ce que l'ingénierie de contexte ?

L'ingénierie de contexte est la discipline qui consiste à gérer les informations qu'un agent IA voit, se souvient et utilise. Elle remplace l'ingénierie de prompt ad hoc par un temps d'exécution systématique qui comprime, met en cache, vérifie et gouverne le contexte de l'IA.

Pourquoi l'ingénierie de contexte est-elle importante pour le codage IA ?

Les agents de codage IA gaspillent des milliers de tokens à relire des fichiers, à analyser une sortie shell bruyante et à perdre du contexte entre les sessions. L'ingénierie de contexte réduit ce gaspillage jusqu'à 99 %, rendant les agents plus rapides, moins coûteux et plus fiables.

En quoi l'ingénierie de contexte diffère-t-elle de l'ingénierie de prompt ?

L'ingénierie de prompt se concentre sur la création de prompts individuels. L'ingénierie de contexte gère tout le cycle de vie de l'information — ce que l'agent lit, comment il est compressé, ce qui est mis en cache, ce qui est mémorisé entre les sessions et ce qui est vérifié avant d'être livré.

Commencer

Débuter l'ingénierie votre contexte

LeanCTX est gratuit, open-source et s'installe en moins d'une minute. Découvrez ce que l'ingénierie de contexte peut faire pour votre flux de travail IA.

Démarrage Architecture

Qu'est-ce quel'ingénierie de contexte ?