Context engineering : ce que c'est, et pourquoi il compte plus que le prompt

Le context engineering consiste à choisir, à chaque étape, les informations qu'on donne à une IA : les consignes, mais aussi les documents, les outils, l'historique et les exemples. Anthropic le définit comme l'art de trouver « le plus petit ensemble d'informations utiles » qui maximise les chances d'obtenir le bon résultat. C'est la suite logique du prompt engineering : on ne soigne plus seulement la question, on soigne tout ce que le modèle a sous les yeux.

Quelle différence entre prompt engineering et context engineering ?

Le prompt engineering travaille la formulation d'une demande ; le context engineering travaille l'ensemble des informations disponibles pour le modèle, demande comprise.

La différence compte dès qu'on construit un outil : un agent IA ou une application qui tourne des centaines de fois ne peut pas reposer sur une bonne formulation trouvée une fois. Il faut décider ce qu'il reçoit à chaque exécution.

Pourquoi trop de contexte est un problème ?

Un modèle qui reçoit trop d'informations devient moins précis, pas plus. L'attention d'un modèle est limitée : plus on ajoute de texte, plus les informations importantes se diluent. C'est pourquoi Anthropic insiste sur des informations « à fort signal » plutôt que sur des documents entiers collés par précaution. Le même raisonnement vaut pour les outils : un agent qui doit choisir parmi trop d'outils se trompe plus souvent (voir les agents IA).

Quelles techniques de context engineering utiliser ?

Cinq techniques reviennent dans les recommandations d'Anthropic, publiées en septembre 2025 :

1. Des consignes claires et stables : un rôle, des règles, le format attendu, écrits une fois pour toutes dans un message système ou un fichier d'instructions.
2. Des outils peu nombreux et bien décrits : chaque outil a un rôle net, sans recouvrement avec les autres.
3. La récupération au bon moment : plutôt que de tout charger d'avance, l'IA garde des références (un nom de fichier, une requête) et va chercher l'information quand elle en a besoin.
4. La compaction : quand une conversation devient longue, on la résume pour repartir sur une base propre, sans perdre les décisions prises.
5. Les notes et les sous-agents : l'IA tient des notes hors de la conversation pour les tâches longues, ou confie une sous-tâche à un agent dédié qui ne renvoie qu'un résumé.

Comment l'appliquer sans être développeur ?

Les outils no-code et de vibe coding ont tous un endroit pour le contexte permanent : c'est là que tout se joue.

• Claude Code : un fichier CLAUDE.md à la racine du projet, lu au début de chaque session (voir Claude Code).
• Lovable : les connaissances du projet, où l'on décrit les règles, le style et ce qu'il ne faut pas toucher (voir le vibe coding avec Lovable).
• n8n et Make : le message système d'un agent IA, et les données transmises à chaque étape (voir n8n ou Make).

Pour ce site, par exemple, les règles permanentes sont écrites une fois dans les instructions du projet : ne jamais modifier le code directement dans Lovable, tout faire passer par GitHub. L'IA n'a pas à le redemander, et je n'ai pas à le répéter.

Réflexe simple : avant de réécrire votre demande pour la dixième fois, demandez-vous ce qui manque à l'IA pour comprendre, et ce que vous pourriez lui retirer.

Se former au context engineering

Le context engineering est devenu une compétence de base pour construire des solutions IA fiables. L'École Cube y a consacré une masterclass gratuite, disponible avec ses autres masterclass en replay^partenaire. Sa formation Développement d'Applications IA^partenaire aborde la construction d'applications avec l'IA de bout en bout.