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

Conceito

O que é
engenharia de contexto?

É a mudança de prompt engineering para operações de contexto, a disciplina de projetar, comprimir e governar todo o ambiente de informação no qual seu agente de IA trabalha. LeanCTX é essa disciplina, automatizada — a context engineering layer para agentes de IA.

O Problema

Prompts sozinhos não são suficientes

Prompt engineering otimiza o input. Context engineering otimiza o ambiente.

Quando os agentes de IA estavam limitados a interações de turno único, prompt engineering era suficiente. Você criava a instrução certa, o modelo retornava uma resposta útil e o fluxo de trabalho terminava.

Os modernos agentes de codificação de IA operam de forma diferente. Eles executam fluxos de trabalho multi-etapas em dezenas de arquivos, mantêm estado entre sessões e tomam decisões que se acumulam ao longo do tempo. O prompt não é mais o gargalo, o contexto é.

Um agente de codificação com um prompt perfeito, mas contexto ruim, irá alucinar caminhos de arquivo, perder o controle de decisões anteriores e repetir trabalho que já foi concluído. O modo de falha não são instruções ruins, é uma imagem incompleta da base de código.

O Framework

Três mudanças de prompt para context engineering

Context engineering representa uma mudança fundamental em como pensamos sobre os inputs dos agentes de IA.

Prompts estáticos → Pipelines de contexto dinâmicos

Em vez de um prompt de sistema fixo, o context engineering constrói um pipeline que monta o contexto certo para cada tarefa, lendo apenas o que é relevante, no nível de compressão correto e com os metadados certos.

Curadoria manual → Compressão automatizada

Em vez de selecionar manualmente quais arquivos incluir, o context engineering lê a estrutura de cada arquivo, mantém as partes que carregam sinal real e comprime o restante, automaticamente.

De um disparo → Memória persistente entre sessões

A engenharia de contexto adiciona memória de sessão, um grafo de conhecimento e transições limpas, para que os agentes construam compreensão ao longo do tempo em vez de começar do zero a cada conversa.

A Disciplina

O que é engenharia de contexto inclui

A engenharia de contexto abrange quatro domínios interconectados, cada um abordando um aspecto diferente do ambiente de informação do agente.

Compressão

Incluir mais sinal em menos tokens

Múltiplos modos de leitura (completo, mapa, assinaturas, entropia, agressivo), análise AST tree-sitter em mais de 26 idiomas e chunking semântico reduzem o conteúdo do arquivo em 60–99% preservando a informação que os agentes precisam para tomar decisões.

Memory

Persistir compreensão entre sessões

Instantâneos de sessão, grafos de conhecimento, livros de transição e memória prospectiva permitem que os agentes recordem decisões anteriores, evitem trabalho repetido e transfiram contexto entre membros da equipe ou instâncias de agente.

Governance

Controlar o acesso dos agentes

Políticas de acesso baseadas em funções, orçamentos de tokens, aplicação de SLO e sandboxing de caminhos garantem que os agentes operem dentro de limites definidos, lendo apenas o que devem e gastando apenas o que foi alocado.

Verificação

Provar que a compressão não perdeu informação

Validação de saída, artefatos de prova, verificações de preservação de caminhos e identificadores, e pontuação de perda de informação fornecem confiança mensurável de que o contexto comprimido retém o conteúdo semântico que o agente requer.

Implementação

Como LeanCTX implementa engenharia de contexto

LeanCTX é um runtime open-source de engenharia de contexto que traz esses princípios para produção para agentes de codificação IA.

81 ferramentas MCP

Uma superfície de ferramentas completa para leitura, busca, compressão e gerenciamento de contexto, tudo exposto via Model Context Protocol.

10 modos de leitura

De leituras em cache completas a compressão filtrada por entropia, cada modo é otimizado para uma tarefa específica: edição, exploração, revisão ou referência.

Mais de 95 padrões de shell

Compressão baseada em padrões para git, cargo, npm, docker e outras saídas CLI, reduzindo resultados de comandos verbosos a resumos estruturados e eficientes em tokens.

Zero chamadas de rede

Executa inteiramente local. Sem telemetria, sem dependências na nuvem, sem dados saindo da sua máquina. Open-source sob Apache-2.0.

Explore a arquitetura completa

FAQ

Context engineering, respondido.

O que é context engineering?

Context engineering é a disciplina de gerenciar qual informação um agente de IA vê, lembra e usa. Ele substitui o prompt engineering ad-hoc por um runtime sistemático que comprime, armazena em cache, verifica e governa o contexto da IA.

Por que context engineering é importante para codificação com IA?

Agentes de codificação com IA desperdiçam milhares de tokens relendo arquivos, analisando saídas ruidosas do shell e perdendo contexto entre sessões. Context engineering reduz esse desperdício em até 99%, tornando os agentes mais rápidos, baratos e confiáveis.

Como context engineering é diferente de prompt engineering?

Engenharia de prompt foca na criação de prompts individuais. Context engineering gerencia todo o ciclo de vida da informação — o que o agente lê, como é comprimido, o que é armazenado em cache, o que é lembrado entre sessões e o que é verificado antes da entrega.

Começar

Comece a engenharia seu contexto

LeanCTX é gratuito, open-source e instalado em menos de um minuto. Veja o que a context engineering pode fazer pelo seu fluxo de trabalho com IA.

Primeiros Passos Arquitetura

O que éengenharia de contexto?