Context Engineering: gastando a atenção finita onde ela conta

Este curso ensina context engineering — o ofício de decidir, a cada turno do loop de um agente, quais tokens o modelo pode ver. Do curso 7 você já sabe que o histórico cresce toda vez que o loop gira e que o orçamento de atenção do modelo é finito; este curso encara isso de frente: em que “altitude” um system prompt deve ser escrito, se ferramentas e exemplos contam como contexto, que informação pré-carregar e qual deixar o agente buscar por conta própria, como compactar o histórico e tomar notas em tarefas longas, por que subagentes são uma técnica de gestão de contexto — e, por fim, na prática, você vai ligar uma camada de gestão de contexto ao harness que construiu no curso 7. É para quem já concluiu os sete primeiros cursos desta série. Este curso não reensina a técnica de escrever prompts (curso 3 desta série), não cobre a persistência de arquivos entre sessões nem a recuperação de estado (tema do curso 5 — aqui o foco é “dentro desta única tarefa longa, o que cada turno deve entregar ao modelo”), não reensina os padrões de colaboração multiagente (curso 6 — subagentes aparecem aqui só pela lente do contexto) e não cobre a construção de RAG ou de bancos de dados vetoriais.

Conteúdo do curso

Objetivos de aprendizado

Ao final deste curso você será capaz de:

Explicar como o context engineering se relaciona com o prompt engineering e usar o orçamento de atenção e o apodrecimento do contexto para explicar por que o contexto é um recurso finito com retornos marginais decrescentes
Julgar a “altitude” de um system prompt — lógica frágil hardcoded em um extremo, orientação vaga e sem sinal no outro — e reescrevê-lo até o ponto específico o bastante para guiar o comportamento e que ainda assim deixe boas heurísticas
Traçar a fronteira entre pré-carregamento e recuperação just-in-time para uma tarefa, usando identificadores leves (caminhos de arquivo, consultas, links) para que o agente descubra o contexto progressivamente, sob demanda
Projetar uma estratégia de compactação para uma tarefa longa: julgar o que precisa sobreviver (decisões, problemas em aberto, detalhes-chave de implementação) e o que pode ir embora (saídas de ferramenta redundantes), e usar notas estruturadas para estacionar o estado-chave fora da janela de contexto
Explicar subagentes em termos de economia de contexto: uma janela limpa, um resumo comprimido de apenas uns mil e poucos tokens devolvido, e quando isso compensa gastar várias vezes mais tokens
Equipar um loop de harness dirigido por stop_reason com rastreio de uso de tokens, compactação disparada por limiar e um caderno estruturado NOTES.md, e levar até o fim uma tarefa grande demais para uma única janela

Pré-requisitos

Você concluiu os sete primeiros cursos desta série, ou tem conhecimento equivalente
Você sabe escrever à mão um loop de agente dirigido por stop_reason e entende que o histórico messages cresce a cada turno e que os blocos tool_result voltam juntos (curso 7)
Você sabe que a janela de contexto é um recurso finito e que o histórico de conversa só cresce (curso 5)
Você sabe que um subagente parte de um contexto independente e devolve apenas a sua conclusão (curso 6)
Você sabe ler e escrever código JavaScript / Node.js básico (a última lição é para acompanhar escrevendo)

Tempo estimado

Cerca de 3-4 horas, incluindo o exercício prático de cada lição.