Агентный ИИ и context engineering: почему промптов мало

Промпт-инжиниринг упирается в потолок, когда у ИИ нет контекста

В 2025 году Тоби Лютке, CEO Shopify, написал в твиттере термин, который сразу подхватила вся tech-тусовка: «context engineering» (инжиниринг контекста).

Мы уже привыкли к идее промпт-инжиниринга: чтобы получить хороший ответ от ИИ, нужно задать хороший вопрос. Но даже идеально сформулированный запрос может не сработать. Просто потому, что у ИИ нет фонового понимания ситуации.

Представьте виртуального агента поддержки в вашем банке или интернет-магазине. Вы можете неделями настраивать промпты («будь вежливым», «предлагай решения из базы знаний»). Но если бот не видит историю ваших обращений, не знает, что вы VIP-клиент и что вчера у вас не прошёл перевод, его ответы будут шаблонными и бесполезными. Здесь промпт-инжиниринг упирается в потолок, и на сцену выходит инжиниринг контекста.

Prompt engineering и context engineering — партнёры, а не соперники

Разницу проще всего показать на двух типах задач.

• Простые задачи («Придумай слоган», «Объясни квантовую физику просто»). Prompt engineering здесь идеален: точные разовые инструкции быстро дают результат. Context engineering часто избыточен и добавляет ненужную сложность.
• Сложные контекстуальные задачи («Дай персональный финансовый совет», «Проанализируй этого клиента на риск мошенничества»). Prompt engineering ограничен: без контекста модель выдаёт общие, часто бесполезные шаблоны. Context engineering критически важен: он даёт ИИ ситуационное понимание для точного и релевантного ответа.

Промпт-инжиниринг — это искусство задавать вопросы. Context engineering — искусство снабжать ИИ правильными вводными до того, как вопрос задан.

Что такое context engineering на практике

Это целенаправленная сборка полной картины вокруг запроса к ИИ. В неё входит всё, что имеет значение: предыдущие диалоги, данные из CRM и ERP, цели бизнеса, скрипты общения, внутренняя политика.

Контекст не загружают «пачкой». Его отбирают, структурируют и проектируют так, чтобы он был максимально релевантным. Иными словами, это инфраструктура знаний, которую вы строите вокруг ИИ-модели. Для агентного ИИ, который сам действует от вашего имени, такая инфраструктура особенно важна: агент принимает решения ровно на тех данных, которые ему дали.

Как дать ИИ контекст: три подхода

Контекст делают доступным для ИИ три технических подхода. Они не исключают, а дополняют друг друга.

1. RAG — генерация с поиском по вашим данным

RAG (Retrieval-Augmented Generation, «поисковая дополненная генерация») — самый популярный в 2025 году способ. Когда пользователь задаёт вопрос, система в реальном времени ищет релевантные данные во внутренних базах (базах знаний, документах, истории транзакций) или в авторитетных внешних источниках.

Затем она «подкладывает» найденные фрагменты текста в промпт. Так модель отвечает не «вообще», а на основе ваших конкретных данных. На RAG построены современные ИИ-ассистенты, которые «знают» содержимое ваших файлов.

2. Fine-tuning — тонкая настройка модели

Если RAG даёт ИИ «шпаргалку» к конкретному вопросу, то тонкая настройка меняет саму «личность» модели. Вы дообучаете большую языковую модель (например, GPT) на небольшом, но специфичном наборе данных. Это может быть история переписки с клиентами, юридические документы или медицинские заключения.

Модель впитывает стиль, терминологию и логику вашей предметной области. Это дороже и сложнее, чем RAG, но даёт глубокое доменное понимание.

3. Prompt engineering — финальный инструмент

Промпт никуда не делся. В системе с контекстом он становится финальным и самым точным инструментом: формулирует задачу, опираясь на уже подготовленный и поданный в модель контекст. Это верхушка айсберга, которая не работает без невидимой массивной основы — инжиниринга контекста.

Лучший результат дают все три метода вместе. Fine-tuning даёт ИИ общее понимание домена, RAG подгружает актуальные данные «здесь и сейчас», а грамотный промпт направляет модель к нужному выводу.

Где контекст меняет результат: примеры

Реальный прорыв в продуктивности наступает, когда точно сформулированный запрос встречается с правильно подобранным и структурированным контекстом. Такое сочетание позволяет:

• AML-платформе (как ComplyAdvantage) не просто искать имена в списках, а давать ситуационную оценку риска;
• агенту поддержки реально решать проблемы, а не читать скрипты;
• аналитическому ИИ генерировать инсайты, а не пересказывать графики.

Когда context engineering не нужен

Для простых разовых задач — слоган, короткое объяснение, черновик письма — сборка контекста избыточна и только усложняет работу. Хватит хорошего промпта.

Fine-tuning тоже не всегда оправдан: он дороже и сложнее RAG. Если модели нужны свежие факты, а не стиль и логика домена, начинать стоит с поиска по данным.

Вывод: контекст — новый интерфейс к ИИ

Context engineering — это не отказ от промптов, а признание простой истины: ИИ без контекста слеп. Особенно в бизнесе, где каждое решение зависит от истории, данных и конкретных обстоятельств.

Внедряя ИИ-решения, спрашивайте не только «Как нам его спросить?», но и «Какие данные ему нужно дать, чтобы он понял суть?». Ответ на этот вопрос и есть суть context engineering — следующего обязательного шага для тех, кто хочет получить от ИИ не развлекательный трюк, а стратегическое преимущество.