Glossário
69 termos de “Context Engineering: gastando a atenção finita onde ela conta”. Passe o cursor sobre a primeira ocorrência na lição para ver a definição.
| Termo | Definição | Fonte |
|---|---|---|
| prompt engineering | Métodos para escrever e organizar instruções de LLM visando resultados ótimos, com foco em como a própria instrução é escrita e arranjada. | Effective context engineering for AI agents — Anthropic Engineering |
| context engineering | O conjunto de estratégias para curar e manter o conjunto ótimo de tokens na janela durante a inferência de um LLM — um trade-off que você tem de responder de novo a cada volta do loop. | Effective context engineering for AI agents — Anthropic Engineering |
| orçamento de atenção | Um orçamento finito do qual os LLMs sacam ao processar grandes volumes de contexto, esgotado em alguma medida por cada novo token introduzido. | Effective context engineering for AI agents — Anthropic Engineering |
| apodrecimento do contexto | O fenômeno em que a capacidade do modelo de recuperar com precisão informações do contexto diminui conforme o número de tokens na janela aumenta. | Effective context engineering for AI agents — Anthropic Engineering |
| gradiente de desempenho | A ladeira gradual de desempenho que o apodrecimento do contexto segue conforme os tokens aumentam, em vez de uma falha súbita em algum limiar de contagem de tokens. | Effective context engineering for AI agents — Anthropic Engineering |
| retornos marginais decrescentes | Encarar o contexto como um recurso finito em que o milésimo token e o centésimo milésimo ocupam o mesmo espaço, mas contribuem com valores radicalmente diferentes. | Effective context engineering for AI agents — Anthropic Engineering |
| harness | A casca de engenharia inteira que carrega o loop de um agente; o mesmo modelo com harnesses diferentes produz resultados completamente diferentes. | The 2026 Agent Engineering Roadmap — GitHub (codejunkie99/agent-roadmap-2026) |
| progressão natural | O posicionamento da Anthropic para context engineering como a evolução natural de prompt engineering, e não sua substituição; escrever bons system prompts segue necessário, apenas como um entre muitos componentes de contexto a gerenciar. | Effective context engineering for AI agents — Anthropic Engineering |
| tarefas de horizonte longo | Tarefas de agente que atravessam muitos turnos de inferência e um tempo estendido — o cenário que compactação, notas estruturadas e arquiteturas multiagente atacam em conjunto. | Effective context engineering for AI agents — Anthropic Engineering |
| altitude | O nível de abstração em que um system prompt se situa, descrevendo se as instruções estão concretas demais, com lógica frágil hardcoded em um extremo, ou vagas demais, sem sinal comportamental no outro. | Effective context engineering for AI agents — Anthropic Engineering |
| Voando baixo demais | Um modo de falha de system prompt: usar um monte de regras “se… então…” para deixar a lógica hardcoded no prompt, de modo que os casos não cobertos caem em um ramo pega-tudo. | Effective context engineering for AI agents — Anthropic Engineering |
| Flutuando alto demais | Um modo de falha de system prompt: entregar apenas palavras de ordem vagas, sem orientação concreta, deixando o modelo sem sinal acionável e com deriva de comportamento imprevisível. | Effective context engineering for AI agents — Anthropic Engineering |
| altitude certa | A forma recomendada de system prompt: específica o bastante para guiar o comportamento com eficácia, e ainda assim flexível o bastante para dar ao modelo heurísticas fortes. | Effective context engineering for AI agents — Anthropic Engineering |
| princípios mais limites rígidos | A estrutura prática para system prompts na altitude certa: alguns princípios de julgamento que cobrem os cenários gerais, mais um pequeno número de limites rígidos de cumprimento obrigatório que travam as fronteiras inegociáveis. | Effective context engineering for AI agents — Anthropic Engineering |
| CLAUDE.md | No Claude Code, um arquivo de configuração de nível de projeto carregado no contexto no início de cada conversa; deve conter apenas o que se aplica de forma ampla, em toda sessão. | Best practices for Claude Code — Claude Code Docs |
| teste de remoção | Um método para auditar linha a linha o conteúdo de arquivos residentes: pergunte “remover isto causaria erros?”. Se a resposta for não, corte. | Best practices for Claude Code — Claude Code Docs |
| Skills | No Claude Code, capacidades especializadas empacotadas, carregadas sob demanda em vez de ficarem residentes em cada conversa como o CLAUDE.md, o que evita que toda sessão fique inchada. | Best practices for Claude Code — Claude Code Docs |
| sobreposição mínima de funcionalidade | Uma exigência de projeto de ferramentas: várias ferramentas devem ter fronteiras funcionais claras, evitando zonas em que ambas dão conta do mesmo trabalho. | Effective context engineering for AI agents — Anthropic Engineering |
| eficiente em tokens | Um padrão de projeto para valores de retorno de ferramenta: por padrão, devolver apenas os campos-chave, evitando inundar o histórico de mensagens com grandes volumes de informação de baixo valor que consomem orçamento de atenção repetidamente. | Effective context engineering for AI agents — Anthropic Engineering |
| canônico | Um critério para escolher exemplos few-shot: um exemplo deve representar uma classe inteira de comportamento esperado, e não uma situação específica isolada. | Effective context engineering for AI agents — Anthropic Engineering |
| lista de lavanderia | Acrescentar uma linha à lista de exemplos ou de regras para cada caso especial que aparece em produção, até acumular uma lista longa e enfadonha — um antipadrão a evitar. | Effective context engineering for AI agents — Anthropic Engineering |
| pré-carregamento | A estratégia de colocar todo o material possivelmente necessário no contexto inicial antes de a inferência começar, deixando tudo visível ao modelo já no turno um, sem recuperação. | Effective context engineering for AI agents — Anthropic Engineering |
| recuperação just-in-time | A estratégia de manter identificadores leves no contexto inicial e deixar o agente carregar o conteúdo por ferramentas em tempo de execução, conforme a necessidade. | Effective context engineering for AI agents — Anthropic Engineering |
| identificadores leves | Ponteiros para o conteúdo em vez do conteúdo em si — caminhos de arquivo, consultas armazenadas, links da web — para o agente expandir sob demanda em conteúdo completo em tempo de execução. | Effective context engineering for AI agents — Anthropic Engineering |
| metadados | Informação anexada aos identificadores — nomes de arquivo, estrutura de diretórios, marcas de tempo — que sugere relevância e propósito sem que você abra o conteúdo. | Effective context engineering for AI agents — Anthropic Engineering |
| descoberta progressiva | O jeito como os agentes se apoiam em identificadores e ferramentas de recuperação para achar passo a passo, durante a exploração, o conteúdo genuinamente relevante, em vez de receber tudo de uma vez. | Effective context engineering for AI agents — Anthropic Engineering |
| estratégia híbrida | A abordagem combinada de pré-carregar alguns dados em nome da velocidade e deixar o resto como identificadores para o modelo explorar por conta própria em tempo de execução — o formato comum em sistemas reais. | Effective context engineering for AI agents — Anthropic Engineering |
| framework de trade-off | Um método prático para julgar se cada material candidato deve ser pré-carregado ou recuperado just-in-time: pergunte, na ordem, “ele é estável?” e “ele é usado a cada turno?”. | Effective context engineering for AI agents — Anthropic Engineering |
| list_files | Uma ferramenta de recuperação de exemplo do curso, que lista os arquivos e subdiretórios de um diretório do repositório — o primeiro passo da recuperação just-in-time, que ajuda o agente a estreitar o escopo. | Effective context engineering for AI agents — Anthropic Engineering |
| grep | Uma ferramenta de recuperação de exemplo do curso, que busca texto recursivamente em um diretório e devolve as linhas correspondentes com um teto de contagem de linhas para controlar o consumo de tokens. | Effective context engineering for AI agents — Anthropic Engineering |
| read_file | Uma ferramenta de recuperação de exemplo do curso, que lê o conteúdo de um único arquivo, com a convenção de só ser usada depois que list_files ou grep tiver confirmado que o arquivo é relevante. | Effective context engineering for AI agents — Anthropic Engineering |
| a essência da busca é compressão | O resumo da Anthropic para o processo de busca: cada recuperação estreita um corpus vasto e destila os insights genuinamente úteis; cada passo da recuperação just-in-time executa essa compressão. | How we built our multi-agent research system — Anthropic Engineering |
| REPO_ROOT | Uma constante no código de exemplo do curso que especifica o caminho da raiz do repositório, sobre a qual as operações de arquivo das três ferramentas de recuperação se apoiam para localizar os caminhos reais. | Effective context engineering for AI agents — Anthropic Engineering |
| compactação | Quando uma conversa se aproxima do limite da janela de contexto, passar o histórico de mensagens ao modelo para resumir e então reiniciar uma janela de contexto nova a partir desse resumo. | Effective context engineering for AI agents — Anthropic Engineering |
| reiniciar | A ação central da compactação: abrir uma janela de contexto inteiramente nova com o resumo, abandonando por atacado o histórico antigo de mensagens em vez de seguir acumulando sobre a conversa original. | Effective context engineering for AI agents — Anthropic Engineering |
| resumo de repasse | O texto de resumo gerado durante a compactação para a janela nova ler na partida, que precisa preservar as decisões arquiteturais, os problemas não resolvidos e os detalhes-chave de implementação para o agente continuar trabalhando. | Effective context engineering for AI agents — Anthropic Engineering |
| COMPACT_INSTRUCTION | Uma constante no código de exemplo do curso que define a instrução de resumo da compactação, exigindo explicitamente a preservação de decisões arquiteturais, problemas não resolvidos e detalhes-chave de implementação, e o descarte de saída de ferramenta redundante. | Effective context engineering for AI agents — Anthropic Engineering |
| compact() | A função que implementa a compactação no exemplo do curso: envia o histórico de mensagens com a instrução de resumo ao modelo e então substitui o array messages inteiro pelo resumo devolvido, reiniciando uma janela nova. | Effective context engineering for AI agents — Anthropic Engineering |
| notas estruturadas | Fazer o agente escrever proativamente o estado-chave em um local persistente fora da janela de contexto, no instante em que toma decisões ou descobre problemas — um complemento ativo à compactação, que é passiva e a posteriori. | Effective context engineering for AI agents — Anthropic Engineering |
| NOTES.md | O arquivo de notas estruturadas mantido pelo agente no exemplo do curso, que registra decisões travadas, problemas não resolvidos e planos de próximo passo, existindo no sistema de arquivos de forma independente do histórico da conversa. | Effective context engineering for AI agents — Anthropic Engineering |
| lista de tarefas | O mecanismo do Claude Code para manter listas de tarefas, análogo a um agente customizado mantendo um NOTES.md — ambos pertencem à prática de notas estruturadas, que externaliza o estado-chave para fora da janela. | Effective context engineering for AI agents — Anthropic Engineering |
| /clear | Um comando do Claude Code para redefinir inteiramente o contexto ao mudar para uma tarefa nova e sem relação com a anterior, sem resumir nem preservar o conteúdo antigo. | Best practices for Claude Code — Claude Code Docs |
| compactação automática | O mecanismo de compactação produtizado do Claude Code: dispara automaticamente quando a conversa se aproxima dos limites de contexto, preservando código e decisões importantes sem intervenção manual. | Best practices for Claude Code — Claude Code Docs |
| Claude jogando Pokémon | Um caso que a Anthropic menciona para ilustrar como mecanismos de memória podem transformar as capacidades de um agente em domínios fora da programação, não sendo exclusivos de tarefas de código. | Effective context engineering for AI agents — Anthropic Engineering |
| três movimentos | As três classes de técnicas de gestão de contexto para tarefas de horizonte longo — compactação, anotação estruturada e arquiteturas multiagente — voltadas em conjunto a manter o agente coerente e orientado a objetivos ao longo de sequências longas de ações. | Effective context engineering for AI agents — Anthropic Engineering |
| subagente | Um mecanismo que cuida de tarefas focadas em janelas de contexto limpas, devolvendo ao agente principal apenas resumos comprimidos — valioso não só para colaboração multiagente, mas pelo isolamento de contexto em si. | Effective context engineering for AI agents — Anthropic Engineering |
| janela limpa | A janela de contexto novinha que o subagente usa na partida, sem carregar nada do histórico de mensagens do agente principal, garantindo que o orçamento de atenção seja gasto inteiramente na tarefa focada. | Effective context engineering for AI agents — Anthropic Engineering |
| filtros inteligentes | A metáfora da Anthropic para o papel do subagente: condensar, no lugar do agente principal, os tokens mais importantes do processo de exploração — entra corpus, saem os pontos essenciais. | How we built our multi-agent research system — Anthropic Engineering |
| razão entre processo e conclusão | Um critério para julgar se uma tarefa vale um despacho a subagente: a razão de volume entre o conteúdo intermediário da exploração e a conclusão final; quanto mais desequilibrada, maior o retorno do isolamento. | Effective context engineering for AI agents — Anthropic Engineering |
| runSubagent | A função do código de exemplo do curso que inicia o loop do subagente: abre com uma descrição de tarefa isolada como array de mensagens novo em folha e devolve apenas a conclusão final em texto do modelo. | Effective context engineering for AI agents — Anthropic Engineering |
| dispatch_research | A ferramenta do lado do agente principal, no exemplo do curso, para despachar tarefas de pesquisa a subagentes, devolvendo o resumo de conclusão do subagente depois de se encaixar no loop de stop_reason. | Effective context engineering for AI agents — Anthropic Engineering |
| SUBAGENT_SYSTEM | Uma constante no código de exemplo do curso com o system prompt dedicado ao subagente, que exige dele uma conclusão de no máximo 1500 tokens e a não repetição do texto bruto lido. | Effective context engineering for AI agents — Anthropic Engineering |
| repasse | Em tarefas longas, ao iniciar um subagente novo de janela limpa para continuar o trabalho de um subagente anterior, a ação de manter a continuidade da tarefa passando adiante os pontos essenciais. | How we built our multi-agent research system — Anthropic Engineering |
| arquiteturas multiagente | Um padrão arquitetural que despacha o trabalho de exploração a subagentes independentes e recolhe apenas resumos comprimidos — um dos três movimentos para tarefas de horizonte longo. | Effective context engineering for AI agents — Anthropic Engineering |
| 4× (uso de tokens de agente versus chat) | Com base nas medições da Anthropic em seu sistema multiagente de pesquisa, um agente sozinho usa cerca de 4× os tokens de uma interação de chat comum — uma medição empírica desse sistema, não uma lei universal. | How we built our multi-agent research system — Anthropic Engineering |
| 15× (uso de tokens multiagente versus chat) | Com base nas medições da Anthropic em seu sistema multiagente de pesquisa, o sistema multiagente inteiro usa cerca de 15× os tokens de uma interação de chat comum — também uma medição empírica desse sistema, não uma lei universal. | How we built our multi-agent research system — Anthropic Engineering |
| 80% (uso de tokens explicando a variância de desempenho) | Com base nas medições da Anthropic em seu sistema multiagente de pesquisa, o uso de tokens sozinho explica 80% da variância de desempenho daquele sistema — dado de referência importante para julgar se o isolamento compensa. | How we built our multi-agent research system — Anthropic Engineering |
| CONTEXT_WINDOW | Uma constante no código de exemplo do curso que representa o limite de capacidade da janela de contexto, definida por julgamento de engenharia de acordo com o modelo que você usa de fato. | Effective context engineering for AI agents — Anthropic Engineering |
| COMPACT_RATIO | Uma constante no código de exemplo do curso que define a razão de limiar de disparo da compactação; o uso que exceder a capacidade da janela vezes essa razão dispara a compactação. | Effective context engineering for AI agents — Anthropic Engineering |
| shouldCompact | A função de julgamento no código de exemplo do curso: verifica se o uso acumulado de tokens da janela atual alcançou ou excedeu o limiar de compactação, decidindo se ela dispara. | Effective context engineering for AI agents — Anthropic Engineering |
| tokensUsed | A variável contadora no código de exemplo do curso que rastreia o uso acumulado de tokens da janela atual; tem de voltar a zero depois que a compactação dispara e se completa, representando “quanto esta janela já usou”, e não o total histórico. | Effective context engineering for AI agents — Anthropic Engineering |
| trackUsage | A função utilitária no código de exemplo do curso que acumula os input_tokens e os output_tokens de cada resposta do modelo no contador tokensUsed. | Effective context engineering for AI agents — Anthropic Engineering |
| update_notes | A ferramenta no código de exemplo do curso para o agente escrever no NOTES.md, com a semântica de que cada escrita é o conteúdo completo sobrescrito por atacado, sem nenhuma fusão incremental. | Effective context engineering for AI agents — Anthropic Engineering |
| runAgent | A função principal no código de exemplo do curso que combina rastreamento de uso, compactação disparada por limiar e leitura e escrita de notas no mesmo loop, para rodar tarefas que excedem a capacidade de uma única janela. | Effective context engineering for AI agents — Anthropic Engineering |
| tempestade de compactação | Um fenômeno de bug em que esquecer de zerar tokensUsed depois da compactação faz quase todo turno seguinte disparar a compactação por engano, deixando a tarefa girando no lugar, resumindo e reiniciando sem parar. | Effective context engineering for AI agents — Anthropic Engineering |
| compactação disparada por limiar | O mecanismo que liga a compactação ao loop: dispara a compactação proativamente e segue trabalhando quando o uso acumulado alcança a razão de limiar definida, em vez de esperar a janela de fato estourar. | Effective context engineering for AI agents — Anthropic Engineering |
| readNotes | A função no código de exemplo do curso que lê o conteúdo atual das notas a partir do NOTES.md, devolvendo um texto de aviso substituto quando a leitura falha (o arquivo ainda não existe). | Effective context engineering for AI agents — Anthropic Engineering |
| writeNotes | A função no código de exemplo do curso que escreve o conteúdo completo de notas recebido no arquivo NOTES.md, para a ferramenta update_notes usar quando é chamada. | Effective context engineering for AI agents — Anthropic Engineering |
| chamada de compactação | A chamada extra de modelo disparada durante a compactação para gerar o resumo de repasse; a saída dessa chamada é usada diretamente para reiniciar o array de mensagens, sem entrar no loop principal para raciocínio continuado. | Effective context engineering for AI agents — Anthropic Engineering |