╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> 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

Concetto

Cos'è
l'ingegneria del contesto?

È il passaggio dall'ingegneria dei prompt alle operazioni di contesto, la disciplina che progetta, comprime e governa l'intero ambiente informativo in cui lavora il tuo agente AI. LeanCTX è questa disciplina, automatizzata: lo strato di context engineering per gli agenti AI.

Il Problema

I soli prompt non bastano

L'ingegneria dei prompt ha ottimizzato l'input. L'ingegneria del contesto ottimizza l'ambiente.

Quando gli agenti AI erano limitati a interazioni a turno singolo, l'ingegneria dei prompt era sufficiente. Creavi la giusta istruzione, il modello restituiva una risposta utile e il flusso di lavoro terminava.

I moderni agenti AI per il coding operano in modo diverso. Eseguono flussi di lavoro multi-step su decine di file, mantengono lo stato tra le sessioni e prendono decisioni che si accumulano nel tempo. Il prompt non è più il collo di bottiglia, è il contesto.

Un agente di coding con un prompt perfetto ma un contesto povero allucinerà per i percorsi dei file, perderà traccia delle decisioni precedenti e ripeterà lavori già completati. Il modo di fallimento non sono istruzioni sbagliate, è un quadro incompleto della codebase.

Il Framework

Tre passaggi dai prompt all'ingegneria del contesto

L'ingegneria del contesto rappresenta un cambiamento fondamentale nel modo in cui pensiamo agli input degli agenti AI.

Prompt statici → Pipeline di contesto dinamiche

Invece di un prompt di sistema fisso, l'ingegneria del contesto costruisce una pipeline che assembla il contesto giusto per ogni compito, leggendo solo ciò che è rilevante, al livello di compressione corretto e con i metadati giusti.

Curatela manuale → Compressione automatizzata

Piuttosto che selezionare a mano quali file includere, l'ingegneria del contesto legge la struttura di ogni file, conserva le parti che portano un segnale reale e comprime il resto, automaticamente.

Da singolo colpo → Memoria persistente tra le sessioni

Il context engineering aggiunge memoria di sessione, un grafo della conoscenza e passaggi puliti, in modo che gli agenti costruiscano la comprensione nel tempo invece di ricominciare da zero ad ogni conversazione.

La Disciplina

Cos'è il context engineering include

Il context engineering copre quattro domini interconnessi, ognuno che affronta un aspetto diverso dell'ambiente informativo dell'agente.

Compressione

Inserire più segnale in meno token

Più modalità di lettura (full, map, signatures, entropy, aggressive), l'analisi AST tree-sitter su oltre 26 linguaggi e il chunking semantico riducono i contenuti dei file dal 60–99% preservando le informazioni che gli agenti necessitano per prendere decisioni.

Memory

Persistere la comprensione tra le sessioni

Snapshot di sessione, grafi della conoscenza, registri di passaggio e memoria prospettica consentono agli agenti di richiamare decisioni precedenti, evitare lavori ripetuti e trasferire il contesto tra membri del team o istanze di agente.

Governance

Controllare ciò che gli agenti possono accedere

Policy di accesso basate sui ruoli, budget di token, applicazione SLO e sandboxing dei percorsi assicurano che gli agenti operino entro confini definiti, leggendo solo ciò che dovrebbero e spendendo solo quanto allocato.

Verifica

Dimostrare che la compressione non ha perso informazioni

La convalida dell'output, gli artefatti di prova, i controlli di conservazione dei percorsi e degli identificatori, e il punteggio della perdita di informazioni forniscono una fiducia misurabile che il contesto compresso mantenga il contenuto semantico richiesto dall'agente.

Implementazione

Come implementa LeanCTX context engineering

LeanCTX è un runtime open-source di context engineering che porta questi principi in produzione per gli agenti AI di coding.

81 strumenti MCP

Una superficie di strumenti completa per leggere, cercare, comprimere e gestire il contesto, tutto esposto tramite Model Context Protocol.

10 modalità di lettura

Dalle letture complete dalla cache alla compressione filtrata per entropia, ogni modalità è ottimizzata per un compito specifico: editing, esplorazione, revisione o riferimento.

Più di 95 pattern shell

Compressione basata su pattern per l'output di git, cargo, npm, docker e altri CLI, riducendo i risultati dei comandi verbali a riassunti strutturati ed efficienti in termini di token.

Zero chiamate di rete

Esegue interamente localmente. Nessuna telemetria, nessuna dipendenza cloud, nessun dato che lascia la tua macchina. Open-source sotto Apache-2.0.

Esplora l'architettura completa

FAQ

Context engineering, risposto.

Cos'è il context engineering?

Il context engineering è la disciplina di gestire quali informazioni un agente AI vede, ricorda e su cui agisce. Sostituisce l'ad-hoc prompt engineering con un runtime sistematico che comprime, cachea, verifica e governa il contesto dell'AI.

Perché il context engineering è importante per l'AI coding?

Gli agenti di AI coding sprecano migliaia di token rileggendo file, analizzando output shell rumorosi e perdendo contesto tra le sessioni. Il context engineering riduce questo spreco fino al 99%, rendendo gli agenti più veloci, economici e affidabili.

In che modo il context engineering è diverso dall'prompt engineering?

L'ingegneria dei prompt si concentra sulla creazione di singoli prompt. L'ingegneria del contesto gestisce l'intero ciclo di vita delle informazioni: cosa legge l'agente, come viene compresso, cosa viene memorizzato nella cache, cosa viene ricordato tra le sessioni e cosa viene verificato prima della consegna.

Inizia

Iniziare a ingegnerizzare il tuo contesto

LeanCTX è gratuito, open-source e si installa in meno di un minuto. Scopri cosa può fare l'ingegneria del contesto per il tuo flusso di lavoro AI.

Iniziare Architettura

Cos'èl'ingegneria del contesto?