• Le context engineering désigne la sélection et le rangement de tout ce qu'un modèle d'IA lit avant de produire sa réponse.
• Ce contexte réunit six pièces : consignes, documents, mémoire, historique de la conversation, outils disponibles et résultats renvoyés par ces outils.
• Le terme s'est imposé en juin 2025 (Tobi Lütke à la mi-juin, Andrej Karpathy le 25 juin), puis Anthropic a publié « Effective context engineering for AI agents » le 29 septembre 2025.
• Un contexte plus long n'améliore pas d'office la réponse : la documentation de Claude appelle « context rot » la baisse de précision qui accompagne la hausse du nombre de tokens.
• Dans l'étude de Chroma du 14 juillet 2025, menée sur 18 modèles, un extrait ciblé d'environ 300 tokens donnait de meilleures réponses que l'historique complet d'environ 113 000 tokens.
• Sans coder, la discipline passe par cinq réglages : consignes de projet, fichiers de référence, mémoire, compétences (Skills) et connecteurs.
• La règle d'Anthropic tient en une ligne : fournir au modèle le plus petit ensemble d'informations utiles qui rend probable le résultat attendu.
Qu'est-ce que le context engineering ?
Le context engineering est la pratique qui décide de ce qu'un assistant IA aura sous les yeux au moment de répondre. Un modèle de langage ne connaît de votre travail que ce qui entre dans sa fenêtre de contexte (la quantité de texte qu'il lit en une fois, mesurée en tokens, de petits morceaux de mots).
Le reste lui échappe : le dossier client resté dans votre messagerie, la réunion de mardi, la règle maison qui proscrit une formule. Pratiquer le context engineering, c'est choisir ce qui entre dans cette fenêtre, dans quel ordre et sous quelle forme, puis retirer ce qui ne sert plus.
Anthropic le définit, dans le billet de son équipe d'IA appliquée, comme l'ensemble des stratégies qui sélectionnent et entretiennent le meilleur jeu de tokens pendant que le modèle travaille, y compris les informations qui arrivent par d'autres voies que le prompt.
Tobi Lütke en avait donné une version parlante pour un non-spécialiste : l'art de fournir tout le contexte qui rend la tâche raisonnablement soluble par le modèle. La question de départ se déplace. On se demandait comment rédiger sa demande ; on se demande désormais ce que le modèle doit savoir pour réussir, et ce qu'il peut ignorer.
Une image fixe l'idée. Le prompt ressemble à la consigne orale donnée à un collègue qui reprend un dossier. Le contexte, c'est la chemise posée sur son bureau : les trois pièces qui comptent, la note qui dit laquelle fait foi, l'historique des échanges avec le client, l'accès au logiciel où vérifier un chiffre.
Une consigne impeccable ne rattrape ni une chemise vide, ni une chemise dans laquelle on a vidé toute l'armoire.
D'où vient le terme context engineering ?
Le terme context engineering s'est diffusé en quelques jours de juin 2025, porté par des figures que les développeurs suivent de près, avant d'entrer dans le vocabulaire des éditeurs.
- Mi-juin 2025. Tobi Lütke, PDG de Shopify, écrit sur X qu'il préfère « context engineering » à « prompt engineering », parce que le premier décrit mieux la compétence centrale.
- 22 juin 2025. Drew Breunig classe dans « How Long Contexts Fail » les quatre manières dont un contexte trop long fait dérailler un modèle.
- 23 juin 2025. Harrison Chase, cofondateur de LangChain (une boîte à outils de développement d'agents), signe « The rise of context engineering » et y range le prompt engineering parmi les composantes du context engineering.
- 25 juin 2025. Andrej Karpathy, membre fondateur d'OpenAI et ancien directeur de l'IA chez Tesla, approuve le terme : remplir la fenêtre de contexte avec les bonnes informations pour l'étape suivante relève selon lui d'un art et d'une science.
- 27 juin 2025. Simon Willison, cocréateur du framework web Django, salue le mot : « prompt engineering » évoquait pour beaucoup le fait de taper dans un chatbot.
- 29 septembre 2025. L'équipe d'IA appliquée d'Anthropic publie « Effective context engineering for AI agents », et l'éditeur présente le même jour aux développeurs l'édition automatique du contexte et un outil de mémoire.
- 26 novembre 2025. Anthropic poursuit avec « Effective harnesses for long-running agents », consacré aux agents qui doivent retrouver le fil de leur travail d'une session à l'autre.
Le terme vient donc du monde des agents (des programmes qui enchaînent des actions avec des outils), où le modèle lit à chaque étape bien davantage que la demande de l'utilisateur : descriptions d'outils, résultats de recherche, fichiers ouverts, notes de travail. Les assistants de bureau ont suivi la même pente.
Leurs projets, leur mémoire, leurs compétences et leurs connecteurs assemblent un contexte que la personne au clavier ne voit qu'en partie.
Que contient le contexte d'un assistant IA ?
Le contexte d'un assistant IA se compose de six familles de pièces, que l'outil assemble avant chaque réponse.
La documentation de Claude sur la fenêtre de contexte, relevée le 1er novembre 2026, le précise pour les développeurs : tout ce que contient une requête y compte, consignes système, messages et résultats d'outils, images et documents, définitions d'outils, et jusqu'à la réponse produite.
| Pièce du contexte | Ce qu'elle apporte | Où elle se règle | Ce qui la gâche |
|---|---|---|---|
| Consignes | Le rôle, les règles maison, le format attendu, les sujets exclus | Instructions personnalisées du profil, consignes d'un projet, instructions d'un agent | Des règles qui se contredisent d'un niveau à l'autre |
| Documents | Les faits propres à l'entreprise : contrats, tarifs, comptes rendus, modèles | Fichiers joints, connaissances d'un projet, bibliothèques de documents | Des versions périmées, des doublons, aucune pièce désignée comme référence |
| Mémoire | Vos préférences et des faits retenus d'une conversation à l'autre | Réglages de mémoire du compte, mémoire propre à un projet | Un détail d'un dossier qui ressurgit dans un autre |
| Historique | Les messages de la conversation en cours, réponses de l'IA comprises | La conversation elle-même | Une erreur ancienne reprise comme un fait, un long fil résumé à votre insu |
| Outils | Ce que l'assistant sait faire : chercher sur le web, lire un Drive, exécuter du code, appeler une compétence | Connecteurs, applications et compétences activés | Des outils trop nombreux ou trop proches, qui brouillent le choix |
| Résultats d'outils | Ce que les outils rapportent : pages web, extraits de fichiers, mails, calculs | Rien à régler d'avance, ils arrivent pendant la tâche | Un résultat long et hors sujet, ou une consigne malveillante cachée dans une page |
Votre message occupe une seule ligne de ce tableau. Avec un projet ouvert, la mémoire activée et deux connecteurs branchés, il peut peser moins lourd que tout le reste réuni. L'enjeu tient là : savoir ce que l'outil ajoute de lui-même, et garder la main sur ce qui compte.
Les éditeurs rendent cette part plus visible : ChatGPT liste sous certaines réponses les sources personnelles mobilisées, Gemini signale « Your saved info » parmi ses sources, et Vibe, l'assistant de Mistral AI anciennement appelé Le Chat, affiche des pastilles de lecture et d'écriture quand il consulte ou alimente sa base de connaissances. Une réponse étrange s'explique souvent par une pièce que vous n'aviez pas choisie.
Context engineering vs prompt engineering : quelle différence ?
Le prompt engineering et le context engineering visent le même résultat, une réponse juste et exploitable, à deux échelles. Le premier travaille la demande : un objectif, une tâche précise, un format, un exemple. Le second travaille tout ce qui l'entoure, et le prompt y figure comme une pièce parmi d'autres.
Anthropic présente le context engineering comme la progression naturelle du prompt engineering, centré sur l'écriture de consignes efficaces, en particulier les consignes système (le texte permanent qui cadre l'assistant avant toute conversation).
| Critère | Prompt engineering | Context engineering |
|---|---|---|
| Objet | La formulation d'une demande | Tout ce que lit le modèle : consignes, documents, mémoire, historique, outils et résultats |
| Question de départ | Comment dire ce que j'attends ? | Que doit savoir le modèle, et que peut-il ignorer ? |
| Moment | L'écriture du message | Avant la conversation, pendant, et d'une conversation à la suivante |
| Durée de vie | Une demande ; la conversation suivante repart de zéro | Des réglages durables : projet, mémoire, compétences, connecteurs |
| Geste type | Ajouter le rôle, le format, un exemple | Trier les pièces, désigner la source qui fait foi, rouvrir une conversation neuve, couper un connecteur inutile |
| Échec typique | Une demande vague | Un contexte saturé, périmé ou contradictoire |
| Responsable | La personne qui écrit | La personne, et souvent un référent qui tient les projets et les compétences de l'équipe |
| Contrôle | Relire la réponse | Relire la réponse et les sources que l'outil a mobilisées |
Le prompt engineering garde donc sa valeur et change de place : la demande bien formulée reste la première pièce du contexte, et celle que vous maîtrisez le mieux.
Les bases (structurer la demande, donner un exemple, fixer le format) figurent dans notre guide du prompt engineering en entreprise, et la formation prompt engineering de Masteria fait pratiquer les deux échelles en une journée, du prompt ponctuel aux instructions d'un agent.
Pourquoi un contexte trop long ou mal rangé dégrade-t-il la réponse ?
Un contexte trop long dégrade la réponse parce que l'attention du modèle se répartit sur tout ce qu'il lit : chaque information ajoutée en prend une part, qu'elle serve la tâche ou non. Anthropic parle d'un « budget d'attention ».
Dans l'architecture transformer des modèles actuels, chaque token se met en relation avec tous les autres, soit n² relations pour n tokens : dix fois plus de texte, cent fois plus de relations à tenir.
La documentation de Claude, relevée le 1er novembre 2026, en tire la conséquence : davantage de contexte n'améliore pas d'office la réponse, car précision et rappel baissent à mesure que les tokens s'accumulent. Elle nomme ce phénomène context rot, que l'on peut traduire par usure du contexte.
Le contexte s'use à mesure qu'il s'allonge
Le 14 juillet 2025, Chroma, éditeur d'une base de données qui retrouve des passages de documents par le sens, a publié « Context Rot », une étude menée sur 18 modèles, dont GPT-4.1, Claude 4, Gemini 2.5 et Qwen3.
Kelly Hong, Anton Troynikov et Jeff Huber y constatent que les performances deviennent moins fiables quand l'entrée s'allonge, même pour recopier une suite de mots, et qu'un seul passage proche du sujet mais dépourvu de la réponse suffit à faire baisser les résultats.
Sur des questions portant sur un long historique de conversation, les modèles répondaient mieux, avec un écart marqué, à partir du seul passage utile (environ 300 tokens) qu'à partir de l'historique entier (environ 113 000 tokens). Avec l'équivalence d'Anthropic (200 000 tokens pour environ 500 pages), l'écart sépare un paragraphe d'un dossier de près de 280 pages.
Le milieu d'un long document est le moins bien lu
Une équipe menée par Nelson F. Liu a publié en juillet 2023 l'étude « Lost in the Middle », parue ensuite dans la revue TACL. Les modèles testés réussissaient le mieux quand l'information utile figurait au début ou à la fin du contexte, et chutaient quand elle était enfouie au milieu, même ceux conçus pour les textes longs.
Chroma n'a pas retrouvé cet effet sur sa tâche de recherche d'une phrase isolée ; le constat de 2023 reste une précaution de mise en page, qui place la consigne et la pièce décisive en tête ou en fin de message.
Une consigne livrée en morceaux se perd
En mai 2025, Philippe Laban et ses coauteurs, chercheurs chez Microsoft et Salesforce, ont publié « LLMs Get Lost In Multi-Turn Conversation ». Sur plus de 200 000 conversations simulées, les grands modèles perdaient en moyenne 39 % de performance sur six types de tâches quand la consigne arrivait par morceaux, au fil des messages, plutôt qu'en un seul message complet.
Un modèle qui prend une mauvaise direction au début d'une conversation s'y perd et ne s'en remet pas : pour une tâche qui compte, regroupez les éléments dans un message, ou repartez d'une conversation neuve.
Quatre façons dont un contexte déraille
Drew Breunig a nommé quatre défaillances que l'on retrouve dans les assistants de bureau.
- L'empoisonnement : une erreur, hallucination ou chiffre faux, entre dans le contexte, et le modèle s'y réfère ensuite comme à un fait établi.
- La distraction : le contexte devient si long que le modèle s'y accroche et néglige ce qu'il a appris pendant son entraînement.
- La confusion : des contenus superflus, documents ou outils sans rapport avec la tâche, tirent la réponse vers le bas.
- La contradiction (clash, en anglais) : des informations ou des outils ajoutés en cours de route contredisent ce que le contexte contenait déjà.
Au bureau, la grille tarifaire de 2025 versée à côté de celle de 2026 produit une contradiction, et un résumé erroné accepté en début de fil, un empoisonnement que chaque réponse prolonge.
Anthropic a mesuré l'effet du ménage sur des agents de développeurs, dans des évaluations internes publiées le 29 septembre 2025 : effacer les résultats d'outils périmés a relevé les performances de 29 % sur des recherches en plusieurs étapes, et de 39 % avec une mémoire tenue hors du contexte.
Une grande fenêtre ne dispense pas de trier
Au 1er novembre 2026, le centre d'aide de Claude indique un million de tokens en conversation pour Opus 5.5, Sonnet 5.5 et Haiku 5.5 sur les offres payantes, cinq fois les 200 000 tokens qu'Anthropic compare à environ 500 pages. Cette capacité permet de verser un dossier entier. Elle laisse intact le budget d'attention.
Dans les longues conversations, Claude résume en outre les messages anciens pour faire de la place, sur les offres payantes où l'exécution de code est activée : un détail donné au début peut ne subsister que sous forme de résumé.
Comment faire du context engineering sans savoir coder ?
Le context engineering se pratique sans coder, avec six gestes valables dans n'importe quel assistant d'entreprise. Ils transposent les techniques qu'Anthropic décrit pour les agents : résumer le fil qui s'allonge (la compaction), noter hors de la conversation, isoler une sous-tâche, chercher l'information quand elle sert.
- 1Trier. Avant d'ouvrir la conversation, retenez les pièces dont la tâche a besoin et laissez les autres de côté. Trois documents à jour valent mieux qu'un dossier entier où dorment des versions périmées.
- 2Désigner. Dites quelle pièce l'emporte en cas de désaccord, et ce que l'assistant doit faire quand une information manque : le signaler et poser la question.
- 3Structurer. Séparez consignes, documents et demande par des titres ou des balises nommées, et placez ce qui compte en tête ou en fin de message.
- 4Cloisonner. Un sujet par conversation, un projet par dossier, et une mémoire limitée au projet quand le dossier est confidentiel.
- 5Repartir propre. Quand un fil s'allonge ou dérive, faites rédiger un résumé de passation, relisez-le, puis ouvrez une conversation neuve qui part de ce résumé.
- 6Vérifier. Regardez les sources que l'outil a mobilisées, corrigez ou supprimez les souvenirs faux, coupez les connecteurs qui n'ont rien à faire dans la tâche.
Résume notre échange pour qu'une nouvelle conversation reprenne le travail sans rien perdre.
1. L'objectif de la tâche et le destinataire du livrable.
2. Les décisions prises, chacune avec sa justification en une ligne.
3. Les chiffres et les faits validés, avec la pièce dont ils proviennent.
4. Les pistes écartées ou corrigées, pour ne pas y revenir.
5. Les questions encore ouvertes.
6. La prochaine étape attendue.
N'ajoute aucun élément absent de notre échange ; un point non tranché va dans les questions ouvertes.
Ce résumé joue le rôle de la compaction, avec un avantage : vous le relisez, et une erreur repérée à ce stade sort du contexte.
Comment appliquer le context engineering dans ChatGPT, Claude, Copilot et Vibe ?
Les assistants d'entreprise offrent les mêmes leviers sous des noms différents : espace de projet, fichiers de référence, mémoire, compétences, connecteurs. Les fonctions citées ici proviennent des centres d'aide des éditeurs, consultés le 1er novembre 2026 ; elles changent souvent, vérifiez-les avant de décider.
| Levier | ChatGPT | Claude | Microsoft 365 Copilot | Vibe (Mistral AI) |
|---|---|---|---|---|
| Espace de projet | Projets réunissant consignes, fichiers et conversations ; les consignes du projet priment sur les instructions personnalisées | Projets avec connaissances et consignes ; cinq projets sur l'offre gratuite | Blocs-notes (Notebooks) avec leurs références et leurs propres instructions | Projets dont le ton, les consignes et les fichiers s'appliquent à chaque conversation rangée dedans |
| Fichiers de référence | 5 fichiers par projet en Free, 25 en Go et Plus, 40 en Pro, Business, Enterprise et Edu | Recherche dans les documents (RAG) qui étend la capacité jusqu'à dix fois sur les offres payantes | Jusqu'à 300 fichiers utilisés pour répondre, à partir des seules références du bloc-notes | Fichiers du projet et bibliothèques de documents déjà indexés |
| Mémoire | Souvenirs enregistrés et historique des conversations ; mémoire limitée au projet en option | Une mémoire par projet, isolable de celle du compte ; conversations incognito | Souvenirs enregistrés, détails tirés de l'historique et instructions personnalisées, en préversion | Base de connaissances (Knowledge) qui retient ce qui revient dans vos conversations |
Les projets et leurs consignes : un dossier, un espace
Un projet range dans un même espace les consignes, les pièces et les conversations d'un dossier, pour que chaque échange en hérite sans recopie.
Dans ChatGPT, les consignes d'un projet ne valent que pour lui et prennent le pas sur vos instructions personnalisées ; une réponse réussie peut rejoindre les sources du projet (Add to project sources) et servir aux conversations suivantes.
Dans Copilot, un bloc-notes répond à partir des seules références que vous y avez placées, sans puiser dans le reste de votre OneDrive, dans vos mails ou sur le web. Dans Vibe, une conversation n'appartient qu'à un seul projet à la fois.
La consigne de projet gagne à tenir en une demi-page et à ne garder que ce qui vaut pour tout le dossier : une règle ajoutée chaque semaine sans relecture finit par contredire sa voisine.
Les fichiers de référence : peu de pièces, toutes à jour
Verser quarante fichiers dans un projet semble prudent, et c'est le plus sûr moyen de faire lire au modèle une ancienne grille tarifaire.
Quand les connaissances d'un projet Claude approchent de la limite du contexte, l'assistant passe en recherche documentaire (RAG, la récupération des seuls passages jugés pertinents) : il ne lit plus tout, il va chercher, et un doublon mal titré peut être retenu à la place du bon document.
Copilot applique la même logique aux dossiers SharePoint, dont il retient les 300 fichiers les plus pertinents pour la demande ; Microsoft conseille d'ajouter directement au bloc-notes un fichier dont l'usage doit être garanti.
Deux habitudes règlent l'essentiel : retirer les versions remplacées, et placer en tête du projet un sommaire des sources qui donne, pour chaque pièce, sa date, son rôle et son rang en cas de désaccord.
Sources du projet, de la plus à la moins prioritaire :
1. Grille tarifaire 2026, version du 15 septembre : seule référence pour les prix.
2. Contrat-cadre signé : conditions de paiement et de livraison.
3. Comptes rendus des trois derniers comités : historique des demandes du client.
4. Charte rédactionnelle : ton et formules à proscrire.
Si deux pièces se contredisent, suis la mieux classée et signale l'écart. Si une information manque, dis-le et pose la question au lieu de la déduire.
La mémoire : vos préférences d'un côté, vos dossiers de l'autre
La mémoire ajoute au contexte des éléments que vous n'avez pas collés, et c'est le levier qui demande le plus de vigilance. Selon l'aide d'OpenAI, ChatGPT y puise, d'une offre et d'une région à l'autre, dans vos conversations passées, vos souvenirs enregistrés, vos instructions, vos fichiers et des applications reliées comme Gmail.
Chez Claude, chaque projet tient sa propre mémoire, que l'option « Use account memory » sépare de celle du compte. Dans Microsoft 365 Copilot, la mémoire, encore en préversion, se range dans la boîte Exchange de l'utilisateur, hors des règles de conservation posées dans Purview.
La base de connaissances de Vibe garde ce que vous lui confiez et des détails récurrents qu'elle juge utiles, et Gemini réunit vos informations enregistrées sous un menu de contexte personnel.
La règle de rangement en découle. Réservez la mémoire du compte à ce qui vaut pour tous vos dossiers : votre métier, votre langue de travail, vos formats préférés. Gardez les faits d'un client dans le projet de ce client, avec une mémoire limitée au projet, et relisez la mémoire à intervalle régulier : un souvenir faux empoisonne toutes les conversations qui le rappellent.
Les compétences (Skills) : la méthode chargée au moment où elle sert
Une compétence enferme une méthode de travail, ses modèles et ses fichiers d'appui dans un dossier organisé autour d'un fichier SKILL.md. Elle illustre ce que le standard ouvert Agent Skills, créé par Anthropic, appelle la divulgation progressive : l'assistant garde en vue le seul nom et la courte description de chaque compétence, et n'ouvre les instructions complètes, puis les fichiers joints, que pour la demande qui les réclame.
Au 1er novembre 2026, Claude les propose sur toutes ses offres pourvu que l'exécution de code soit ouverte, ChatGPT sur ses offres Business, Enterprise, Healthcare et Edu, et Vibe dans son espace Work. Notre article Des prompts aux Skills détaille la conversion des méthodes d'une équipe.
Les connecteurs : aller chercher l'information au lieu de la coller
Un connecteur branche l'assistant sur votre messagerie, votre agenda, un Drive ou SharePoint, et substitue au copier-coller une recherche lancée quand l'information devient utile : Anthropic parle de récupération juste à temps.
Claude se raccorde, outre son annuaire, à tout service compatible MCP (Model Context Protocol, la norme ouverte qui décrit ces branchements), sujet de notre article sur le serveur MCP en entreprise.
Ce confort se paie en contexte, puisque chaque outil est décrit au modèle et que chaque résultat rapporté prend de la place : le centre d'aide de Claude recommande, passé dix connecteurs actifs, de basculer l'accès aux outils sur « On demand ».
Un résultat d'outil se relit enfin comme une donnée, car une page web ou un mail peut cacher des phrases écrites pour détourner l'assistant (la prompt injection).
À quoi ressemble un contexte bien rangé ? Quatre exemples avant/après
Un contexte bien rangé se reconnaît à une demande courte, posée dans un espace qui sait déjà le reste. Les quatre situations du tableau sont des exemples de travail courants, construits pour illustrer la méthode ; aucune ne décrit un client.
| Situation | Avant : tout dans le message | Après : un contexte rangé | Ce qui change |
|---|---|---|---|
| Suivi d'un grand compte | Chaque semaine, le même paragraphe sur le client recollé dans une conversation neuve, et raccourci les jours chargés | Un projet par client ; une consigne d'une demi-page (interlocuteurs, ton, sujets exclus, pièce qui fait foi sur les prix) ; une mémoire limitée au projet | La demande du jour tient en une ligne et les règles s'appliquent à chaque fois |
| Analyse d'un appel d'offres | Le dossier de consultation complet, trois anciens mémoires et la plaquette collés d'un bloc, suivis de « analyse et propose un plan » | Le règlement et le cahier des charges seuls, une fiche de l'entreprise, deux mémoires bien notés désignés comme modèles, la demande en fin de message | Le modèle travaille sur les pièces utiles et sait lesquelles imiter |
| Budget discuté sur un long fil | Quatre-vingts messages, dont un chiffre faux corrigé au douzième et repris au soixantième | Un résumé de passation relu, puis une conversation neuve qui part des seuls chiffres validés | L'erreur sort du contexte au lieu d'y rester |
| Compte rendu de réunion | Douze connecteurs actifs pour une tâche qui n'en demande qu'un | Le seul connecteur d'agenda et le dossier de la réunion ; les autres coupés pour cette conversation | Moins d'outils à départager, plus de place pour le contenu |
Dans chacun de ces cas, le prompt final raccourcit. Le travail s'est déplacé vers la préparation, et cette préparation sert à toutes les demandes suivantes du même dossier.
Un exemple de mission : un assistant par famille de marchés
Le cabinet de conseil financier dont Masteria a outillé les réponses aux appels d'offres applique ces principes à l'échelle d'une équipe. Indépendant, installé à Paris et à Lyon, il réunit une vingtaine de consultants qui accompagnent collectivités et syndicats mixtes depuis plus de quatre décennies, et rédige un grand nombre de mémoires techniques pour ses candidatures.
- Un contexte par famille de marchés. Quatre assistants se partagent les familles de marchés du cabinet ; les tournures et méthodes qui ont remporté des consultations restent rangées dans le pôle qui les a produites.
- Des pièces choisies et classées. Chaque base démarre par une fiche de présentation du cabinet, suivie de fichiers classés par priorité : trames de mémoires, analyses de dossiers de consultation, méthodologies, mémoires que les jurys ont le mieux notés, références.
- Le contexte manquant demandé à l'humain. L'assistant ne rédige rien avant d'avoir questionné le consultant sur le client, déjà servi ou non, sur ses priorités, sur les références à mettre en avant et sur l'équipe à proposer.
- Un entretien prévu. Un guide d'utilisation attribue la mise à jour de chaque pièce et rappelle les règles internes d'usage et de sécurité.
Quatre ateliers de deux heures ont servi à écrire ces prompts avec les consultants et à les éprouver sur des consultations récentes. La mission complète est racontée dans nos études de cas.
Le vocabulaire du context engineering
Huit termes reviennent dans les documentations des éditeurs et dans les études sur le context engineering ; le glossaire de l'IA du site en complète la liste.
- Contexte : ensemble de ce que le modèle lit avant de répondre : consignes, documents, mémoire, historique, outils et résultats d'outils.
- Fenêtre de contexte : plafond de texte, compté en tokens, que le modèle lit et rédige au cours d'un même échange.
- Context rot (usure du contexte) : baisse de précision et de rappel d'un modèle à mesure que son contexte s'allonge.
- Budget d'attention : image employée par Anthropic pour dire que la capacité du modèle à relier les informations entre elles est finie, et que chaque token ajouté en consomme une part.
- Compaction : résumé des échanges anciens qui remplace le fil complet quand la fenêtre se remplit.
- Récupération juste à temps : recherche de l'information au moment où la tâche en a besoin, par un outil ou un connecteur, au lieu de tout charger d'avance.
- Divulgation progressive : chargement par étapes d'une compétence : nom et description d'abord, instructions complètes ensuite, fichiers d'appui si besoin.
- Résumé de passation : synthèse relue d'une conversation, qui sert de point de départ à une conversation neuve.
Par où commencer avec le context engineering ?
Pour commencer le context engineering, partez de l'assistant que vous utilisez le plus et d'un seul dossier. Relisez ce que la mémoire a retenu. Créez un projet pour ce dossier, versez-y trois à cinq pièces à jour précédées d'un sommaire, et écrivez une consigne d'une demi-page.
Posez ensuite une question dont la réponse ne figure dans aucune pièce : un contexte bien tenu amène le modèle à dire qu'il ne sait pas.
Dans une équipe, la démarche gagne à être confiée à un référent, qui tient les projets partagés, les compétences et la liste des connecteurs autorisés. Le prompt engineering apprenait à poser la bonne question. Le context engineering apprend à préparer le dossier qui permet d'y répondre, et ce dossier, dans une entreprise, se construit à plusieurs.
Sources consultées
Les fonctions d'outils ont été relevées le 1er novembre 2026 ; les publications sont citées avec leur date de parution.
- Anthropic, « Effective context engineering for AI agents », 29 septembre 2025.
- Anthropic, « Managing context on the Claude Developer Platform », 29 septembre 2025.
- Anthropic, « Effective harnesses for long-running agents », 26 novembre 2025.
- Documentation Claude, Context windows, consultée le 1er novembre 2026.
- Centre d'aide Claude, fenêtre de contexte des offres payantes, projets, mémoire, compétences et connecteurs, consultés le 1er novembre 2026.
- Tobi Lütke, publication sur X, juin 2025, et Andrej Karpathy, publication sur X, 25 juin 2025.
- Simon Willison, « Context engineering », 27 juin 2025.
- Harrison Chase, « The rise of context engineering », LangChain, 23 juin 2025.
- Drew Breunig, « How Long Contexts Fail », 22 juin 2025.
- Kelly Hong, Anton Troynikov et Jeff Huber, « Context Rot », Chroma, 14 juillet 2025.
- Nelson F. Liu et al., « Lost in the Middle: How Language Models Use Long Contexts », arXiv, juillet 2023, paru dans TACL.
- Philippe Laban et al., « LLMs Get Lost In Multi-Turn Conversation », arXiv, 9 mai 2025.
- OpenAI, Projects in ChatGPT, Memory in ChatGPT et Skills in ChatGPT, consultés le 1er novembre 2026.
- Microsoft, How Microsoft 365 Copilot Notebooks works et Manage Copilot personalization and memory, consultés le 1er novembre 2026.
- Google, Save info and reference past chats in Gemini Apps, consulté le 1er novembre 2026.
- Mistral AI, documentation de Vibe Work : projets, base de connaissances et compétences, consultées le 1er novembre 2026.
- Agent Skills, présentation du standard ouvert, consultée le 1er novembre 2026.
Questions fréquentes
Vous voulez que vos équipes tiennent le contexte de leurs assistants ?
La formation prompt engineering de Masteria fait pratiquer, sur vos dossiers et sur l'assistant déjà en place, le prompt, la consigne de projet, la compétence et les instructions d'agent. À partir de 1 980 € HT la journée.
