Atualizado em novembro/2026.

O que você vai aprender aqui

  • Engenharia de contexto é cuidar de tudo o que a IA lê antes de responder: as instruções salvas, os documentos, a memória das conversas e o resultado das ferramentas que ela usa.
  • A imagem que resolve: o prompt é o pedido do dia; o contexto é o que você entregaria a um colaborador novo no primeiro dia de trabalho.
  • Mais texto não resolve: a resposta piora quando o volume cresce, e uma conversa duas vezes mais longa dobra a chance de a IA sair do combinado.
  • Três arquivos curtos (quem você é, como sua empresa funciona e o que a IA não deve fazer) resolvem a primeira semana no Claude, no ChatGPT e no Gemini, sem desenvolvedor.
  • Para levar isso à empresa inteira, alguém precisa mapear onde mora o conhecimento que a IA mais usa (sistemas, e-mail, planilhas, WhatsApp, a cabeça das pessoas) e quem cuida de cada lugar.
  • Regra de segurança não pode morar só no prompt: quando o agente resume a conversa para abrir espaço, pode deixar de fora a instrução que o impedia de mexer nos seus e-mails.
  • Seis perguntas para levar ao seu time antes de colocar um agente para trabalhar.

Este artigo complementa o livro gratuito Engenharia de Prompts na Prática, best seller na Amazon, que ensina a escrever prompts para ChatGPT, Gemini e Claude. Os arquivos de contexto deste texto são o passo seguinte: o prompt que fica salvo e que a IA lê toda vez.

Clique para abrir o índice

Toda terça-feira pela manhã, Ricardo abre a IA e digita uma versão do mesmo parágrafo: “Sou diretor de operações de uma empresa de logística com 220 funcionários, atendemos varejo no Sudeste, nosso sistema de gestão (ERP) é X, nossa cadeia de aprovação é Y, o tom que uso com diretoria é técnico e direto, não use jargão de Vale do Silício…” Trinta linhas antes de chegar à pergunta da semana.

O que Ricardo faz toda terça já tem nome: engenharia de contexto. Dá para começar sem desenvolvedor, na ferramenta que ele já usa, com três arquivos curtos. Quando a diretoria inteira fizer o mesmo, a pergunta passa a ser onde o contexto da empresa mora e quem cuida dele.

O que é engenharia de contexto

Pense no primeiro dia de um colaborador novo. Você não entrega a ele só a tarefa da semana. Entrega o crachá, o manual da casa, a lista dos clientes que importam, o jeito de falar com a diretoria e o que ele não pode fazer de jeito nenhum.

Com a IA, a tarefa da semana é o prompt. O resto é o contexto: tudo o que a IA lê antes de responder. Engenharia de contexto é o cuidado de escolher, organizar e manter esse material, para a resposta sair certa de primeira.

Num chat simples, os dois se confundem, porque o seu texto é quase tudo o que a IA vê. Quando a IA trabalha como agente, buscando arquivos, usando ferramentas e lembrando de conversas anteriores, o prompt vira só uma das peças. O contexto passa a incluir:

  • as instruções que você e a ferramenta deixaram salvas;
  • a memória de conversas anteriores;
  • os documentos que ela consultou;
  • o histórico da conversa em andamento;
  • o resultado das ferramentas que acabou de usar;
  • o pedido do momento.

Tudo isso disputa o mesmo espaço, a janela de contexto: o limite de texto que o modelo (o sistema de IA por trás do ChatGPT, do Claude ou do Gemini) consegue ler de uma vez.

Janela de contexto: o que disputa espaço na leitura da ia, das instruções salvas ao pedido do momento
Instruções, memória, documentos e histórico disputam o mesmo espaço, e o meio é o que a IA lê pior.

O termo ganhou força em 2025, com Andrej Karpathy, e a Anthropic organizou a prática num texto que virou referência. Engenharia de prompts continua valendo: ela cuida do pedido e é uma parte da engenharia de contexto.

Engenharia de promptsEngenharia de contexto
Cuida deO pedido que você digitaTudo o que a IA lê antes de responder
Equivale aA tarefa da semanaO onboarding do colaborador novo
ResolvePergunta pontualTrabalho recorrente, que precisa lembrar do jeito da casa
Quem fazQuem usa a IAQuem usa e, na empresa, a área dona do conhecimento

Se você ainda quer melhorar o pedido em si, o guia de como fazer um prompt no ChatGPT, no Gemini e no Claude mostra a estrutura passo a passo.

Por que jogar tudo na conversa não funciona

A primeira reação de muita empresa foi “vamos colocar tudo na conversa e deixar a IA descobrir”. Três achados mostram por que isso falha:

  1. A qualidade cai com o volume. Uma pesquisa da Chroma testou 18 modelos e viu a resposta piorar conforme o texto de entrada cresce, mesmo em tarefas simples. O fenômeno ganhou o nome de context rot, a degradação por excesso de contexto.
  2. O meio do texto é a zona cega. Um estudo sobre onde o modelo presta atenção mostrou que ele acerta mais quando a informação está no começo ou no fim e erra mais quando ela fica no meio.
  3. Conversa longa tropeça mais. Num levantamento da Arena com 90 mil sessões reais, uma conversa duas vezes mais longa teve o dobro de chance de o agente agir sem autorização, atribuir a você algo que você não disse ou dar por concluída uma tarefa inacabada.

Janela maior só adia o problema. Ninguém entrega o arquivo morto da empresa a quem chegou ontem e espera que ele ache sozinho o que importa. Com a IA, o que resolve é escolher melhor o que entra.

No dia a dia, isso vira três hábitos:

  • anexe só o que a tarefa pede;
  • ponha a instrução principal no começo ou no fim do pedido;
  • abra uma conversa nova quando o assunto mudar.

Como começar esta semana, em qualquer ferramenta

Quatro passos, nesta ordem, que sigo com os meus mentorados.

Passo 1: anote o que você repete. Durante uma semana, registre o texto que digita toda vez que abre a IA no trabalho: setor da empresa, tamanho, jargão interno, clientes recorrentes, ritmo de decisão. Não se preocupe com a forma.

Passo 2: escreva os três arquivos. Quinze minutos cada, num documento comum (pode ser Word ou Google Docs; os nomes em inglês são só uma convenção, e no chat basta colar o texto):

  • about-me.md: quem você é profissionalmente, com quem trabalha e em que ritmo, como um LinkedIn estendido;
  • my-company.md: o que a empresa vende, como decide, quais clientes importam e as palavras internas que não fazem sentido fora, como você explicaria a um sócio novo;
  • anti-ai-style.md: o que a IA não deve fazer, como as construções que você odeia, os jargões proibidos e o tom que faz o texto soar gerado.

Comece pelo terceiro. É o que mais muda o resultado.

Nos três, escreva só o que a IA não descobre sozinha: as convenções da casa, o que você corta e o que você corrige toda vez. Texto genérico ocupa espaço e não melhora a resposta.

Os três arquivos de engenharia de contexto: about-me. Md, my-company. Md e anti-ai-style. Md
Três textos curtos resolvem a primeira semana: quem você é, como a empresa funciona e o que a IA não deve fazer.

Passo 3: coloque os arquivos onde a IA lê sozinha. Claude, ChatGPT e Gemini têm dois lugares para isso:

  • instruções pessoais, que valem para toda conversa: ali entram o about-me.md e o anti-ai-style.md;
  • projetos (no Gemini, os notebooks), que valem para um trabalho específico: ali entra o my-company.md, ou o arquivo de um cliente.

As três ferramentas também guardam memória das suas conversas, que você revisa e apaga nas configurações.

Quando a tarefa pede várias etapas, o Claude decide sozinho trabalhar como agente (a mudança começou em setembro de 2026 pelos planos pagos). No ChatGPT e no Gemini, você escolhe o modo de agente antes de pedir, também nos planos pagos.

Passo 4: avalie em sete dias. Quantos pedidos vieram com resposta utilizável de primeira? Quantos ainda exigem retrabalho? Que contexto faltou?

Acrescente aos arquivos o que estava em falta.

Quando você perceber que repete a mesma tarefa toda semana, como redigir proposta ou preparar relatório, o passo seguinte é uma skill: um procedimento salvo que a IA aciona quando o pedido combina. O guia de como criar skills no ChatGPT, no Claude e no Gemini mostra como chegar lá a partir de uma tarefa bem feita.

CLAUDE.md, AGENTS.md e o arquivo que o agente lê sozinho

Algumas ferramentas deixam o agente ler e gravar arquivos numa pasta do seu computador. Outras são agentes de programação, que escrevem código por conta própria. Quem usa qualquer uma delas encontra os mesmos três arquivos em outro formato.

O CLAUDE.md é o arquivo que o Claude lê ao começar a trabalhar naquela pasta: os três arquivos do Passo 2 num só.

O meu tem pouco mais de 300 linhas, um pouco acima do recomendado. Nele está o que eu daria a quem entra na equipe:

  • os contatos que importam;
  • as regras que nasceram de erros reais;
  • as preferências de estilo de cada canal.

O AGENTS.md é a versão aberta da mesma ideia, que as principais ferramentas de agente de programação já leem.

Escrever mais nem sempre ajuda. Uma pesquisa com tarefas de programação mostrou o custo do excesso: arquivos com visão geral do projeto não melhoraram o acerto e encareceram o uso em mais de 20%, em média. Só ajudou registrar as convenções fora do padrão, a mesma regra do Passo 2.

A memória automática da IA guarda o que ela percebeu; o que você decidiu precisa estar escrito por você nesse arquivo. Instrução ruim nele contamina todo o trabalho do agente, e por isso o arquivo entra na revisão do Passo 4.

Depois dos três arquivos: quando migrar para pastas

Os três arquivos resolvem a primeira semana. Com o tempo, o arquivo único começa a pesar.

No chat, você migra criando um projeto por cliente ou por área, cada um com o próprio arquivo, e repetindo o my-company.md em todos.

No agente que trabalha numa pasta, o arquivo principal cresce até ficar difícil de navegar:

  • informação de um cliente misturada com a de outro;
  • regra de projeto encerrado pesando em projeto novo;
  • nome de produto antigo confundindo o agente.

Quando migrar? Quando você começa a corrigir o agente porque ele misturou dois clientes, ou quando o arquivo passa de cerca de 200 linhas, o limite que a própria Anthropic recomenda.

A correção é trocar o arquivo único por pastas. O que vale para tudo (identidade, estilo, regras gerais) fica no arquivo principal, o da pasta de cima, e o resto ganha pasta própria:

minha-operacao/
identidade/ (quem eu sou, meu estilo, minhas regras gerais)
produtos/ (uma pasta por produto ou entregável recorrente)
clientes/ (uma pasta por cliente ou conta ativa)
projetos/ (iniciativas com prazo e escopo definidos)
pessoas/ (contexto de relacionamento por pessoa relevante)

O agente lê o arquivo principal sempre e abre a pasta do cliente quando a tarefa o leva até ela; por isso, diga no arquivo principal o que há em cada pasta. Migrar antes do sinal só adiciona estrutura que ainda não faz falta.

O sistema completo que eu uso, com biblioteca, regras e skills, está no artigo sobre segundo cérebro com IA.

Onde mora o contexto da sua empresa

Os três arquivos tiram da sua cabeça o que você repete. Quando o time inteiro começa a usar agente, a pergunta muda: onde está o contexto que nenhum arquivo pessoal cobre? Na maioria das empresas, ele vive espalhado em seis lugares:

  1. sistemas de gestão e de relacionamento com clientes (ERP e CRM);
  2. anexos de e-mail;
  3. arquivos no Google Drive ou no OneDrive;
  4. planilhas na máquina das pessoas, inclusive a que roda em paralelo ao sistema oficial;
  5. mensagens de WhatsApp e Teams;
  6. a cabeça das pessoas.

Nos meus treinamentos, esse inventário vem com uma pergunta só: qual desses seis lugares guarda a informação de que a sua IA mais precisa?

O sexto, a cabeça das pessoas, é o mais difícil, e os três arquivos do Passo 2 já tiraram dele o primeiro pedaço. Para tirar o resto, o passo a passo de gestão do conhecimento com IA mostra como entrevistar quem sabe e manter cada ficha com data de revisão.

Com colaborador novo, alguém é dono do onboarding: o RH cuida do crachá, o gestor cuida do manual da área. A IA pede o mesmo. Cada um dos seis lugares precisa de uma área responsável por:

  • dizer o que dali pode ir para a IA;
  • revisar o que ficou velho;
  • apagar o que está errado.

O critério mais simples é dar o papel à área que já responde por aquele dado fora da IA, como o comercial pelo CRM e o financeiro pela planilha paralela. Sem esse dono, o contexto envelhece e ninguém percebe até o agente errar.

Quais são as ferramentas de engenharia de contexto

Preciso configurar alguma coisa? No chat, quase nunca: as ferramentas fazem isso nos bastidores. Saber os nomes ajuda a entender por que o agente acertou ou errou.

As quatro técnicas que as ferramentas já usam

  1. Busca sob demanda (just-in-time retrieval): o agente pega o trecho de que precisa na hora, sem carregar a pasta inteira de uma vez. É como o profissional que só abre o arquivo quando o cliente pergunta.
  2. Compactação (compaction): perto do limite da janela, o agente resume o histórico e continua a partir do resumo.
  3. Memória externa (structured note-taking): o agente anota em arquivo e consulta depois, sem ocupar a janela enquanto não precisa da nota.
  4. Subagentes: uma parte do trabalho vai para um agente auxiliar, com janela própria, que devolve só o resultado. Serve para pesquisas independentes em paralelo ou para uma revisão feita por quem não acompanhou a produção.

O Claude e os agentes de programação já fazem a compactação por você; nas outras ferramentas, o histórico antigo também sai da janela, por resumo ou por corte. Como a IA escolhe o que buscar, e quando vale montar uma base de conhecimento própria, está no artigo sobre como funcionam os agentes de IA para empresas.

A quarta técnica é a que mais engana. Em outubro de 2026, a Anthropic contou o que viu em implantações de empresas grandes: um agente único, com skills e ferramentas carregadas sob demanda, muitas vezes superou a versão com vários agentes especialistas em qualidade, custo e tempo de resposta.

Esse carregamento em etapas, que em inglês ganhou o nome de progressive disclosure (revelação progressiva), segue a lógica da busca sob demanda: o agente lê só a descrição curta de cada skill e abre o resto quando a tarefa pede. Antes de dividir uma tarefa entre agentes, teste um agente só com as skills certas, no ChatGPT, no Gemini ou no Claude.

A memória externa virou especialidade própria, a engenharia de memória (memory engineering): decidir o que o agente guarda, o que descarta e como mantém tudo correto. O Memory Engineer já aparece numa lista de cargos de IA previstos para 2026. Sem esse cuidado, o agente continua oferecendo um desconto que acabou há três meses.

O MCP, que liga o agente aos seus sistemas

Você pede ao agente para marcar uma reunião, e ele precisa enxergar a sua agenda. O MCP, Model Context Protocol, é o padrão aberto que faz essa ligação com calendário, planilha, banco de dados ou CRM, sem uma integração sob medida para cada um. A documentação oficial compara o MCP a um plugue universal, como o USB-C. Cada sistema ligado por esse padrão ganha um conector, o encaixe próprio daquele sistema.

Criado pela Anthropic, o protocolo foi doado a uma fundação independente e não pertence a um fornecedor só.

O agente só lê ou também altera? Quem decide é quem responde pelo agente na empresa. O MCP não resolve isso por você.

Quando a empresa dona do sistema não publica conector oficial, outras empresas ou desenvolvedores mantêm um conector próprio, às vezes pago. Prefira sempre o conector oficial. O intermediário é um elo a mais entre o agente e o dado sensível, e uma dependência que pode mudar de preço ou sair do ar.

Em 2026, o MCP ganhou regras novas que barateiam a manutenção de conectores, o que tende a aumentar a oferta de conectores oficiais. A próxima prioridade do roadmap, o plano público de próximos passos, é o agente entrar com acesso próprio e limitado, no lugar de uma chave (uma espécie de senha) colada na configuração. A chave continua valendo se vazar e, quando o dono dela sai da empresa, ou segue funcionando sem dono ou para de repente.

As propostas em discussão estão no artigo sobre identidade de agente e guardrails de IA, as barreiras de segurança que limitam a ação do agente. Enquanto isso, ligue só os conectores que a tarefa usa: a lista de ferramentas de cada um também ocupa a janela.

O risco da compactação

No caso de um agente chamado OpenClaw, a instrução era sugerir mudanças e não agir sem aprovação. Quando o agente resumiu a conversa para abrir espaço, o resumo deixou essa regra de fora. Em seguida, o agente mandou para a lixeira e arquivou centenas de e-mails de uma diretora da área de IA da Meta, enquanto ela pedia, do celular, para parar.

A proteção tem duas camadas:

  • a regra fica num arquivo que a ferramenta relê depois de cada resumo, como o CLAUDE.md da pasta principal;
  • a proibição de verdade fica numa permissão ou trava que bloqueia a ação, seja qual for a decisão do agente.

Para quem usa só o chat, a proteção possível é não dar ao agente permissão de apagar, enviar ou alterar sem a sua confirmação. Isso costuma ficar nas configurações do conector.

As perguntas para levar ao seu time

Antes de colocar um agente para trabalhar, eu levaria seis perguntas para a reunião:

  1. Dos seis lugares onde o contexto mora, qual a nossa IA mais precisa ler, e quem cuida dele?
  2. Quem revisa os arquivos de contexto, e de quanto em quanto tempo?
  3. Onde ficam as regras de segurança do agente, e como elas estão protegidas da compactação?
  4. Cada conector entra por login com permissão limitada, por acesso próprio do agente ou por chave colada na configuração?
  5. Quem decide o que o agente guarda na memória, e quem apaga o que ficou errado?
  6. Como sabemos que o agente acerta de forma consistente?

Se a resposta a qualquer uma for “está no prompt” ou “ninguém”, comece por ela. Para a sexta, o guia de como avaliar um agente antes de colocá-lo para trabalhar mostra como montar o teste sem código.

O que vem depois da engenharia de contexto

Engenharia de contexto é o segundo passo de uma progressão. O primeiro é o prompt. O terceiro é o harness engineering, o conjunto de controles que envolve o agente no trabalho real, fora do teste. Ele define:

  • o que o agente pode fazer sozinho;
  • quando para e chama uma pessoa;
  • onde cada decisão fica registrada.

O harness tem três partes: o contexto, os testes e esses controles. Antes de delegar uma tarefa ao agente, pergunte se você assinaria com seu nome o que ele entrega sem revisão. Se não assinaria, a tarefa ainda precisa de uma pessoa no meio.


Para aprofundar

Este artigo faz parte do guia “Harness Engineering”. O anterior é Agentes de IA para empresas; o próximo, Harness Engineering em 2026. A sequência completa está no guia completo, na página de guias.

Comunidade no WhatsApp: as novidades de ferramentas, modelos e uso de dados no trabalho saem todo dia no grupo IA e Dados, sempre com a fonte. Veja como entrar no grupo.

Perguntas frequentes

O que é engenharia de contexto? Engenharia de contexto é o cuidado de escolher, organizar e manter tudo o que a IA lê antes de responder: instruções salvas, documentos, memória das conversas, histórico e resultado das ferramentas. O termo foi popularizado por Andrej Karpathy em junho de 2025 e organizado pela Anthropic em setembro do mesmo ano. A engenharia de prompts é uma parte dela.

Engenharia de contexto e context engineering são a mesma coisa? Sim. Context engineering é o nome em inglês, mais usado em material técnico e por fornecedores. Engenharia de contexto é a tradução que circula no Brasil para a mesma prática.

Qual a diferença entre engenharia de prompt e engenharia de contexto? A engenharia de prompt cuida do pedido que você digita. A engenharia de contexto cuida de tudo o que a IA lê na hora de responder, do qual o pedido é só um pedaço. Num chat simples, as duas se confundem. Quando a IA trabalha como agente, são camadas diferentes.

O que é janela de contexto? É o limite de texto que o modelo consegue ler de uma vez, medido em tokens, os pedaços de palavra que ele usa para contar texto. Instruções, documentos, memória e histórico disputam esse espaço. Janela maior adia o problema, mas a qualidade da resposta cai quando o volume cresce, mesmo em tarefas simples.

Como usar engenharia de contexto para ter resultados melhores com IA? Comece anotando o que você repete toda vez que abre a IA. Transforme isso em três arquivos curtos: quem você é, como sua empresa funciona e o que a IA não deve fazer. Coloque os três nas instruções pessoais e nos projetos do Claude, do ChatGPT ou do Gemini, e revise depois de sete dias de uso.

O que é o CLAUDE.md? É o arquivo que o Claude lê ao começar a trabalhar numa pasta do computador. É a descrição da função, o manual interno e a apresentação de chegada para o agente, e guarda as regras e o contexto que valem para todo o trabalho naquela pasta.

O que é AGENTS.md? É um formato aberto de arquivo de contexto, lançado pela OpenAI com outras empresas de agentes de programação e hoje sob uma fundação independente. Cumpre o mesmo papel do CLAUDE.md, e as principais ferramentas de agente de programação já o leem.

Qual a diferença entre MCP e engenharia de contexto? Engenharia de contexto é a disciplina inteira de cuidar do que o agente lê. O MCP é uma peça dela: um protocolo aberto, criado pela Anthropic e hoje mantido por uma fundação independente, que padroniza como o agente se conecta a sistemas e ferramentas.

O que mudou no MCP em 2026? A versão de julho de 2026 das regras do MCP soltou a amarra que prendia cada conexão ao mesmo servidor, e ficou mais simples oferecer conector oficial. O plano de agosto (roadmap) pôs entre as prioridades entregar ao agente só as ferramentas que a tarefa pede e dar a ele uma identidade própria, sem compromisso de entrega.

Arquivo de contexto gerado por IA melhora o resultado do agente? Numa pesquisa com tarefas de programação, em geral não melhorou: arquivos gerados por IA e escritos por desenvolvedores não aumentaram a taxa de acerto e encareceram o uso em mais de 20%, em média. Ajudou só registrar convenções fora do padrão. A lição é escrever só o que o agente não descobre sozinho.

O que é context rot? É a degradação da resposta conforme o texto de entrada cresce, mesmo em tarefas simples. Uma pesquisa da Chroma documentou o efeito em 18 modelos. Escolher melhor o que entra resolve mais do que aumentar a janela.

Preciso de um sistema de pastas para começar com engenharia de contexto? Não. Os três arquivos (quem você é, como a empresa funciona e o que a IA não deve fazer) resolvem a primeira camada. As pastas por produto, cliente e projeto entram quando o arquivo único fica difícil de revisar ou o agente começa a misturar contas.

O que vem depois da engenharia de contexto? O harness engineering. Com bom prompt e bom contexto, o próximo problema é governança: o que o agente pode fazer sozinho, quando deve parar e chamar uma pessoa e onde cada decisão fica registrada. O contexto é uma das três partes do harness, ao lado dos controles e dos testes.


Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e Conselheiro Consultivo em Tecnologia, IA, Dados e Inovação. Participou da criação de sete startups ao longo da carreira. É professor na ESPM, Insper, PUCRS, USP e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.


Descubra mais sobre Edney "InterNey" Souza

Assine para receber nossas notícias mais recentes por e-mail.