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

Koncept

Czym jest
inżynieria kontekstu?

To przejście od prompt engineering do operacji kontekstowych, dyscyplina projektowania, kompresowania i zarządzania pełnym środowiskiem informacyjnym, w którym działa Twój agent AI. LeanCTX to ta dyscyplina, zautomatyzowana — warstwa context engineering dla agentów AI.

Problem

Samych promptów nie wystarczy

Prompt engineering optymalizował wejście. Context engineering optymalizuje środowisko.

Kiedy agenci AI były ograniczeni do interakcji jednorazowych, prompt engineering był wystarczający. Tworzyłeś właściwą instrukcję, model zwracał użyteczną odpowiedź i przepływ pracy się kończył.

Nowoczesne agenty kodujące AI działają inaczej. Wykonują wieloetapowe przepływy pracy w wielu plikach, utrzymują stan między sesjami i podejmują decyzje, które kumulują się w czasie. Prompt przestaje być wąskim gardłem, kontekst staje się nim.

Agent kodujący z idealnym promptem, ale słabym kontekstem będzie halucynował ścieżki plików, stracił ślad poprzednich decyzji i powtarzał pracę, którą już wykonał. Trybem awarii nie są złe instrukcje, lecz niekompletny obraz bazy kodu.

Framework

Trzy zmiany od prompt do context engineering

Context engineering reprezentuje fundamentalną zmianę w sposobie myślenia o danych wejściowych dla agentów AI.

Statyczne prompty → Dynamiczne potoki kontekstu

Zamiast stałego promptu systemowego, context engineering buduje potok, który składa właściwy kontekst dla każdego zadania, czytając tylko to, co jest istotne, z odpowiednim poziomem kompresji i metadanymi.

Ręczna kuracja → Automatyczna kompresja

Zamiast ręcznego wybierania plików do włączenia, context engineering czyta strukturę każdego pliku, zachowuje części niosące prawdziwy sygnał i automatycznie kompresuje resztę.

Jednorazowe → Trwały pamięć między sesjami

Context engineering dodaje pamięć sesji, graf wiedzy i czyste przekazywanie kontekstu, dzięki czemu agenci budują zrozumienie w czasie, zamiast zaczynać od zera za każdym razem.

Dyscyplina

Czym jest context engineering obejmuje

Context engineering obejmuje cztery powiązane domeny, każda adresująca inny aspekt środowiska informacyjnego agenta.

Kompresja

Więcej sygnału w mniejszej liczbie tokenów

Wiele trybów odczytu (pełny, mapy, sygnatury, entropia, agresywny), parsowanie AST za pomocą tree-sitter dla ponad 26 języków i chunking semantyczny redukują zawartość plików o 60–99%, zachowując jednocześnie informacje niezbędne agentom do podejmowania decyzji.

Memory

Utrzymywanie zrozumienia między sesjami

Zrzuty stanu sesji, grafy wiedzy, rejestry przekazywania kontekstu i pamięć perspektywiczna pozwalają agentom odwołać się do wcześniejszych decyzji, uniknąć powtarzalnej pracy i przenosić kontekst między członkami zespołu lub instancjami agentów.

Governance

Kontrola dostępu dla agentów

Polityki dostępu oparte na rolach, budżety tokenów, egzekwowanie SLO i sandboxing ścieżek zapewniają, że agenci działają w określonych granicach, czytając tylko to, co powinni, i zużywając tylko przydzielone zasoby.

Weryfikacja

Udowodnienie, że kompresja nie utraciła informacji

Walidacja wyjścia, artefakty dowodowe, sprawdzenia zachowania ścieżek i identyfikatorów oraz scoring strat informacyjnych zapewniają mierzalne przekonanie, że skompresowany kontekst zachowuje semantyczną zawartość wymaganą przez agenta.

Implementacja

Jak LeanCTX to implementuje inżynieria kontekstu

LeanCTX to open-source runtime context engineering, który wprowadza te zasady do produkcji dla AI coding agents.

81 narzędzia MCP

Pełna powierzchnia narzędzi do odczytywania, wyszukiwania, kompresowania i zarządzania kontekstem, wszystko udostępnione przez Model Context Protocol.

10 trybów odczytu

Od pełnego buforowanego odczytu po kompresję z filtrowaniem entropii – każdy tryb jest optymalizowany dla konkretnego zadania: edytowania, eksploracji, przeglądania lub referencjonowania.

95+ wzorców shellowych

Kompresja oparta na wzorcach dla git, cargo, npm, docker i innych wyjść CLI, redukująca rozbudowane wyniki poleceń do ustrukturyzowanych, efektywnych tokenowo podsumowań.

Zero wywołań sieciowych

Działa całkowicie lokalnie. Żadnego telemetrii, żadnych zależności chmurowych, żadne dane nie opuszczają Twojej maszyny. Open-source na licencji Apache-2.0.

Zapoznaj się z pełną architekturą

FAQ

Inżynieria kontekstu — odpowiedzi.

Czym jest inżynieria kontekstu?

Inżynieria kontekstu to dyscyplina zarządzania informacją, którą agent AI widzi, pamięta i na której działa. Zastępuje ona doraźną inżynierię promptów systematycznym środowiskiem wykonawczym, które kompresuje, buforuje, weryfikuje i rządzi kontekstem AI.

Dlaczego inżynieria kontekstu jest ważna dla kodowania AI?

Agenci kodujący AI marnują tysiące tokenów na ponowne czytanie plików, parsowanie szumnego wyjścia shella i utratę kontekstu między sesjami. Inżynieria kontekstu redukuje to zużycie nawet o 99%, czyniąc agentów szybszymi, tańszymi i bardziej niezawodnymi.

W czym inżynieria kontekstu różni się od inżynierii promptów?

Prompt engineering skupia się na tworzeniu pojedynczych promptów. Context engineering zarządza całym cyklem życia informacji — co agent czyta, jak to jest kompresowane, co jest cachowane, co jest zapamiętywane między sesjami i co jest weryfikowane przed dostarczeniem.

Rozpocznij pracę

Zacznij inżynierię kontekstu

LeanCTX jest darmowy, open-source i instaluje się w mniej niż minutę. Zobacz, co context engineering może zrobić dla Twojego workflow AI.

Rozpoczęcie pracy Architektura

Czym jestinżynieria kontekstu?