# O que é engenharia de contexto

> Leitura complementar ao módulo **M0**.  
> Definição, diferença para prompt engineering, e o que isso significa no trabalho do PM.  
> Fontes: organizações e autores externos gabaritados.

## 1. Definição curta
**Engenharia de contexto** é a disciplina de decidir **quais informações** um modelo de linguagem recebe, **em que ordem**, **com que frescor** e **com quais restrições**, para que a próxima resposta seja confiável.

Na Anthropic:

> Context engineering refers to the set of strategies for curating and maintaining the optimal set of tokens (information) during LLM inference…  
> — [Anthropic Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

Uma formulação amplamente citada (Andrej Karpathy), reproduzida em guias para PMs:

> “The delicate art and science of filling the context window with just the right information for the next step.”  
> — citada em [Aakash Gupta — Context Engineering for PMs](https://www.news.aakashg.com/p/context-engineering)

Em português, para o curso:

> **Arte e ciência de preencher a janela de contexto com a informação certa para o próximo passo — nem de menos, nem de mais, nem desatualizada.**

## 2. Prompt engineering × context engineering
Fontes técnicas convergem na distinção ([Anthropic](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents), [Redis](https://redis.io/en/blog/context-engineering-vs-prompt-engineering/), [Neo4j](https://neo4j.com/blog/genai/context-engineering-vs-prompt-engineering/), [OpenAI](https://platform.openai.com/docs/guides/prompt-engineering)):

| | Prompt engineering | Engenharia de contexto |
|--|--------------------|-------------------------|
| Pergunta central | *Como* eu instruo o modelo? | *O que* o modelo precisa saber agora? |
| Escopo | Texto da instrução (papel, formato, exemplos) | Tudo que entra na janela: brief, docs, histórico, tools, memória, estado |
| Quando basta | Tarefa curta, tudo cabe num pedido | Sessões longas, agentes, produto com dados reais |
| Relação | Continua essencial | Prompt é **uma peça** do pacote de contexto |

Redis: *prompt engineering* é sobre **como você instrui**; *context engineering* é sobre **o que o modelo sabe quando responde** ([Redis](https://redis.io/en/blog/context-engineering-vs-prompt-engineering/)).

Neo4j: janelas maiores **não resolvem** sozinhas — informação demais, mal estruturada, dilui a atenção (**context rot**) ([Neo4j](https://neo4j.com/blog/genai/context-engineering-vs-prompt-engineering/)).

Anthropic: o princípio guia é achar o **menor conjunto de tokens de alto sinal** que maximize o resultado desejado ([Anthropic](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)).

## 3. O que entra no “pacote” (visão de produto)
A Anthropic descreve componentes típicos do contexto (instruções, ferramentas, conhecimento recuperado, histórico). Para o PM que usa IA no dia a dia, este curso traduz isso em **quatro camadas operacionais** (síntese pedagógica — não é um framework proprietário externo):

1. **Contexto de produto** — quem somos, quem é o usuário, posicionamento  
2. **Contexto de referência** — templates de PRD/story, princípios de design, DoR  
3. **Contexto da tarefa** — o artefato atual (brief, story rascunho, trecho de entrevista)  
4. **Contexto da sessão** — o que já foi dito nesta conversa  

Essas camadas são alimentadas por um **contexto vivo** do produto (estratégico, funcional, técnico, operacional, analítico) — ver leitura `08-contexto-no-ciclo-pm.md`. Exemplos do que costuma entrar: empresa, mercado, personas, roadmap, arquitetura alto nível, APIs, fluxos, KPIs/OKRs, regras, concorrentes, pesquisas, incidentes, Design System, backlog, sprint, dependências, riscos, analytics, feedback.

PMs fracos reconstroem as camadas 1 e 2 do zero a cada chat. PMs fortes mantêm um kit reutilizável (**playbook + contexto vivo**).

Quanto maior o contexto **de alto sinal** (não o dump), melhor a resposta. Janela grande sem curadoria ainda sofre *context rot*.

Marty Cagan enfatiza que GenAI muda discovery e a natureza do trabalho de produto — o julgamento e o fundamento de produto continuam insubstituíveis ([SVPG](https://www.svpg.com/ai-product-management-2-years-in/)).

## 4. Regra operacional deste curso
Toda saída da IA deve ser classificada pelo aluno:

| Rótulo | Significado | Ação |
|--------|-------------|------|
| **Fato** | Está no brief / entrevista / evidência | Pode usar |
| **Hipótese** | Plausível, sem evidência | Validar com humano |
| **Invenção** | A IA criou do nada | Descartar ou transformar em pergunta |

## 5. Contrato mínimo de um bom pedido (PM)
Estrutura de **prompt** (peça) + **contexto** (pacote):

1. **Papel** — coach de discovery / especificação  
2. **Contexto** — brief + o que já se sabe (camadas 1–3 / contexto vivo)  
3. **Objetivo / Tarefa** — uma só  
4. **Restrições** — não inventar; listar abertos  
5. **Formato** — tabela, checklist, Given/When/Then  
6. **Critérios / Exemplos** — quando o time tem padrão  

Sem os itens 2 e 4, você está só fazendo prompt engineering frágil — mesmo que o texto do pedido esteja “bonito”.

## 6. O que NÃO é este curso
- Não substitui julgamento do PM  
- Não ensina a implementar vector DB / agentes em produção (embora cite o vocabulário)  
- Não é “Spec-Driven Development” como framework de engenharia de software — o eixo aqui é **contexto para IA + clareza de produto**

## Fontes usadas neste texto
1. Anthropic. *Effective context engineering for AI agents*. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents  
2. Redis. *Context engineering vs prompt engineering*. https://redis.io/en/blog/context-engineering-vs-prompt-engineering/  
3. Neo4j. *Why AI teams are moving from prompt engineering to context engineering*. https://neo4j.com/blog/genai/context-engineering-vs-prompt-engineering/  
4. OpenAI. *Prompt engineering*. https://platform.openai.com/docs/guides/prompt-engineering  
5. Aakash Gupta. *The Ultimate Guide to Context Engineering for PMs*. https://www.news.aakashg.com/p/context-engineering  
6. Marty Cagan. *AI Product Management 2 Years In* (SVPG). https://www.svpg.com/ai-product-management-2-years-in/