Context engineering : ce que ton agent lit au moment d'agir

Le context engineering désigne l'ensemble des choix qui décident de ce qu'un agent IA a sous les yeux au moment d'agir : instructions, documents, résultats d'outils, mémoire relue, historique. Anthropic le présente comme la suite du prompt engineering. Le principe d'un agent : qu'est-ce qu'un agent IA.

Vérifié le 24/10/2026 sur les pages d'Anthropic, d'IBM et de l'OWASP.

L'essentiel à retenir :

• Un agent travaille avec ce qu'il a sous les yeux au moment d'agir. Un prompt soigné ne compense pas une information absente, noyée ou périmée.
• Le prompt engineering écrit les instructions une fois. Le context engineering refait le tri à chaque tour : consignes, documents, outils, historique.
• Plus de contexte n'est pas mieux. Anthropic décrit une baisse de précision quand la fenêtre se remplit, qu'il appelle « context rot ».
• La règle d'Anthropic tient en une phrase : le plus petit ensemble d'informations utiles pour obtenir le résultat voulu.
• Quand une tâche dépasse ce que l'agent peut garder en tête, trois techniques existent : résumer et repartir, prendre des notes hors contexte, confier des morceaux à des sous-agents.

Ce guide explique ce qu'est le context engineering, ce qui le distingue du prompt engineering, ce qu'un agent lit réellement, pourquoi trop de contexte lui nuit, comment choisir ce qu'il doit lire et comment savoir si un échec vient du contexte ou des instructions.

Qu'est-ce que le context engineering ?

Le context engineering est le travail qui consiste à choisir et entretenir les informations qu'un modèle de langage reçoit à chaque exécution, pour qu'il produise le résultat attendu. Dans son article « Effective context engineering for AI agents » (en anglais, publié le 29 septembre 2025), Anthropic le définit comme « l'ensemble des stratégies pour sélectionner et maintenir le meilleur ensemble de jetons (d'informations) pendant l'inférence », y compris tout ce qui arrive dans la fenêtre du modèle en dehors des prompts.

IBM, dans sa page « What is context engineering? » (en anglais), en donne une définition proche : la pratique qui consiste à concevoir, structurer et optimiser délibérément le contexte fourni à un modèle pour obtenir des réponses plus justes et plus fiables. IBM ajoute que la discipline compte surtout pour les agents, qui lisent et mettent à jour leur contexte plusieurs fois avant de rendre un résultat.

Le terme anglais reste le plus employé en français. L'équivalent est « ingénierie du contexte », mais c'est « context engineering » que l'on cherche et que l'on lit dans la documentation des éditeurs.

Context engineering vs prompt engineering : quelle différence ?

La différence tient à l'objet du travail : le prompt engineering écrit et organise les instructions, le context engineering choisit tout ce que le modèle lit, instructions comprises. Anthropic résume la première comme les méthodes pour « écrire et organiser les instructions d'un LLM », et présente la seconde comme sa « progression naturelle ».

L'autre différence tient au rythme. Pour Anthropic, écrire un prompt est une tâche ponctuelle, alors que le context engineering est itératif : le tri recommence chaque fois qu'on décide de ce qu'on passe au modèle.

IBM présente d'ailleurs le prompt engineering comme un sous-ensemble du context engineering, plus étroit que lui, et le RAG comme une technique voisine qui ne couvre pas les consignes système ni l'historique. La rédaction des instructions permanentes d'un agent est traitée dans l'article sur le prompt d'agent IA.

Que lit un agent au moment d'agir ?

Un agent lit à chaque exécution un ensemble de pièces assemblées pour lui, dont le prompt n'est qu'une partie. Anthropic en dresse la liste : instructions système, outils, MCP (Model Context Protocol), données externes et historique des messages.

Traduit pour un indépendant qui fait tourner un agent, cela donne cinq sources :

• ses consignes permanentes : le rôle, la tâche, ce qu'il ne fait pas seul ;
• la demande du moment : le message ou la ligne de tâche qui le déclenche ;
• les documents qu'on lui passe : une fiche client, un compte rendu, un modèle ;
• ce que ses outils lui renvoient : le résultat d'une recherche, le contenu d'une table, une page web ;
• ce qu'il relit de sa mémoire : ses notes, l'historique d'un dossier.

Un agent qui tourne en boucle produit lui-même du contexte : chaque appel d'outil ajoute un résultat que le tour suivant pourra lire. Anthropic note que cette masse d'informations potentiellement utiles grossit à chaque tour et doit être triée en continu. C'est ce qui distingue un agent d'un chat, comme l'explique l'article sur l'IA agentique. Le MCP n'est qu'un des moyens par lesquels ces outils arrivent jusqu'à l'agent.

Pourquoi trop de contexte nuit-il à un agent ?

Trop de contexte nuit parce qu'un modèle retrouve moins bien une information quand la fenêtre se remplit. Anthropic appelle ce phénomène « context rot » : à mesure que le nombre de jetons augmente, la capacité du modèle à rappeler avec précision une information de ce contexte diminue. L'éditeur précise que la baisse est plus ou moins douce selon les modèles, mais qu'elle apparaît sur tous.

Anthropic compare cela à la mémoire de travail humaine et parle d'un « budget d'attention » : chaque nouveau jeton en consomme une part. L'article décrit une pente plutôt qu'une falaise. Le modèle reste capable sur de longs contextes, mais il devient moins précis pour retrouver une information et raisonner sur des éléments éloignés.

Pour un indépendant, la conséquence est concrète. Coller toute une boîte mail, tout un dossier client ou tout un historique de conversation dans le contexte d'un agent ne garantit pas qu'il trouvera la bonne ligne. Cela peut même l'en éloigner.

Comment choisir ce que ton agent doit lire ?

Tu choisis ce que ton agent lit en partant de la question suivante : quel est le plus petit ensemble d'informations qui lui permet de faire juste cette tâche ? C'est le principe qu'Anthropic donne comme fil conducteur : trouver « le plus petit ensemble de jetons à fort signal » qui maximise les chances du résultat voulu.

Deux façons de faire entrer l'information se combinent.

1 - Le contexte donné d'avance

Tu places dans le contexte, avant même que l'agent commence, ce dont il a besoin à coup sûr : ses consignes, la fiche du client concerné, le modèle de document à suivre. C'est rapide, parce que l'agent n'a rien à chercher. La limite : tout ce qui est donné d'avance occupe la fenêtre, utile ou non.

2 - Le contexte chargé au moment voulu

Tu donnes à l'agent des références (un chemin de fichier, une requête, un lien) et des outils pour aller lire au moment où il en a besoin. Anthropic appelle cette approche « juste à temps ». Elle est plus lente que des données déjà prêtes, et elle demande des outils clairs, faute de quoi l'agent gaspille du contexte sur de fausses pistes.

Anthropic décrit aussi une stratégie hybride, avec une partie des données donnée d'avance et le reste cherché à la demande. Elle la juge mieux adaptée aux contenus qui changent peu, comme le travail juridique ou financier.

Scénario type, pas un résultat : une agence solo confie à un agent la préparation du point mensuel d'un client. L'agent reçoit d'avance ses consignes, la fiche du client et le compte rendu du dernier échange. S'il lui manque un élément, il va le chercher dans le dossier du client avec un outil de recherche. Il n'a pas accès à toute la boîte mail de l'agence, ni aux dossiers des autres clients : ces informations n'ont rien à faire dans ce point, et elles brouilleraient sa lecture.

Que fait un agent quand la tâche dépasse ce qu'il peut garder en tête ?

Quand une tâche dépasse la fenêtre de contexte, l'agent doit libérer de la place sans perdre le fil. Anthropic décrit trois techniques.

1 - Résumer et repartir

L'agent résume la conversation quand elle approche de la limite, puis repart avec ce résumé dans une fenêtre neuve. Anthropic appelle cela la compaction. Tout l'enjeu est de choisir ce qu'on garde : un résumé trop agressif peut effacer un détail dont l'importance n'apparaît que plus tard.

2 - Prendre des notes hors contexte

L'agent écrit des notes dans un fichier ou une base, hors de sa fenêtre, et les relit plus tard. Anthropic cite l'exemple d'une liste de tâches ou d'un fichier de notes tenu par l'agent pour suivre l'avancement d'un travail long. Où ces connaissances vivent et comment elles se rangent relève de la mémoire, traitée dans l'article sur le second cerveau IA. Ici, ce qui compte est la part que l'agent en relit au moment d'agir.

3 - Confier des morceaux à des sous-agents

Un agent principal garde le plan et confie des recherches ciblées à des sous-agents, chacun avec une fenêtre propre. Chaque sous-agent explore de son côté et ne renvoie qu'un résumé condensé. Le détail de la recherche reste chez lui, et l'agent principal travaille sur des résultats déjà triés.

Anthropic indique que le choix dépend de la tâche : la compaction pour les longs échanges, les notes pour un travail découpé en étapes claires, les sous-agents pour une recherche qui gagne à être menée en parallèle.

À quoi ressemble le contexte d'un agent dans un petit système ?

Dans un petit système, le contexte d'un agent se compose d'une source de vérité qu'il relit, des messages qui le déclenchent et d'une étape de validation humaine avant toute action visible. Ces trois pièces suffisent à situer ce qu'il doit lire.

• Une source de vérité : une table ou un document où l'état du travail est écrit. L'agent y relit la ligne qui le concerne plutôt que tout l'historique.
• Un déclencheur : une tâche assignée, un message d'un autre agent ou de toi. Il fixe le périmètre de ce qu'il doit lire pour cette exécution.
• Une étape de validation : avant un envoi ou une publication, l'agent rend un brouillon et attend une réponse. Son contexte n'a pas besoin de contenir ce qui ne relève pas de cette tâche.

La carte complète d'un tel système (mémoire, postes, accès, validation) fait l'objet de l'article sur l'infrastructure IA.

Comment savoir si le problème vient du contexte et pas du prompt ?

Tu sais que le problème vient du contexte quand l'agent a suivi ses consignes mais sur de mauvaises informations. Avant de réécrire ses instructions, pose trois questions sur l'exécution qui a échoué.

1 - L'agent avait-il l'information ?

Relis ce qu'il a reçu. Si la donnée nécessaire n'y figurait pas, aucune reformulation du prompt ne l'aurait fait apparaître. La correction porte sur ce qu'il lit : un document à lui passer, un outil à lui donner.

2 - L'information était-elle noyée ?

Si la donnée était présente au milieu d'un long historique ou d'un document entier, l'agent a pu passer à côté. C'est le « context rot » décrit plus haut. La correction consiste à retirer ce qui n'aide pas la tâche.

3 - L'information était-elle à jour ?

Un agent qui relit une note périmée ou un ancien statut fera un travail juste sur une base fausse. La correction porte sur la source qu'il relit, pas sur sa consigne.

Si les trois réponses sont bonnes et que l'agent se trompe encore, le problème vient plus probablement des instructions. Anthropic conseille de partir d'un prompt minimal, de l'essayer, puis d'ajouter des consignes et des exemples selon les échecs observés.