Modulo 1.3 - Context Engineering

🧠 Context Engineering como disciplina

O que e: Context engineering nao e so "dar contexto pro modelo". E a disciplina de projetar, estruturar e manter o contexto que o modelo recebe de forma sistematica.

Por que aprender: E a habilidade mais importante para uso profissional de IA. Prompt engineering sem context engineering e como escrever SQL sem entender o schema.

Conceitos-chave: Context design, context budget, context lifecycle, structured vs unstructured context, context engineering vs prompt engineering.

📄 CLAUDE.md e rules files

O que e: Arquivos de configuracao que definem como o modelo se comporta num projeto. CLAUDE.md, .cursorrules, e rules files com estrutura e boas praticas.

Por que aprender: LLMs seguem ~150-200 instrucoes com fidelidade. Alem disso, compliance degrada. Saber estruturar esses arquivos e a base de qualquer projeto IA-assisted.

Conceitos-chave: CLAUDE.md, .cursorrules, instruction hierarchy, compliance threshold, rules prioritization, project-level context.

🗂️ Separacao de contexto

O que e: Separar instrucao, contexto, memoria operacional e artefatos. Cada tipo de informacao tem papel diferente e deve ser tratado de forma distinta.

Por que aprender: Misturar tudo num unico bloco de contexto desperdiça tokens e confunde o modelo. Separacao limpa melhora precisao e custo.

Conceitos-chave: Instruction context, reference context, working memory, artifacts, context layering, information architecture.

⚡ Skills e lazy-loading

O que e: Contexto ativado por demanda usando skills directories. Em vez de carregar tudo no inicio, o contexto relevante e injetado quando necessario.

Por que aprender: Com contexto limitado, carregar tudo de uma vez e desperdiçar budget. Lazy-loading maximiza o uso do context window.

Conceitos-chave: Skills directories, lazy context loading, on-demand injection, context budget management, trigger-based activation.

🏢 Repositorios grandes

O que e: Estrategias para bases legadas e sistemas complexos. Como dar contexto suficiente ao modelo sem ultrapassar o limite do context window.

Por que aprender: A maioria dos projetos reais nao cabe num context window. Saber lidar com isso e o que permite usar IA em projetos que importam.

Conceitos-chave: Codebase indexing, selective context, architectural summaries, file-level context, dependency graphs, context prioritization.

✂️ Particionamento

O que e: Limites de contexto, uso agressivo de /clear entre tarefas e estrategias de particionamento para manter o modelo focado e preciso.

Por que aprender: Conversas longas degradam qualidade. Saber quando limpar e como particionar trabalho entre sessoes e disciplina fundamental.

Conceitos-chave: Context window limits, /clear, session partitioning, task isolation, context refresh, compaction strategies.

📝 Exercicios

LAB

Autopsia de CLAUDE.md (45 min)

Tres versoes de CLAUDE.md para o mesmo projeto: (1) vazia, (2) 500+ linhas com excesso de detalhes, (3) ~150 linhas bem estruturada. Executar a mesma tarefa com cada versao. Documentar: diferenca de qualidade, correcoes necessarias, tokens consumidos.

LAB

CLAUDE.md para projeto real (90 min)

Pegar um repositorio open source e escrever CLAUDE.md do zero: (1) arquitetura em 5 frases, (2) comandos essenciais (setup, test, build), (3) restricoes de estilo, (4) armadilhas do projeto ("nunca modifique X diretamente"), (5) testar com 5 tarefas e medir correcoes necessarias.

Context Partitioning (60 min)

Monorepo com frontend, backend e infra: mapear quais contextos isolar, criar CLAUDE.md por pasta vs. raiz, comparar qualidade de output com e sem contexto desnecessario injetado.

LAB

Sistema de memoria (120 min)

Construir mecanismo de memoria persistente: arquivo memory.md com fatos do projeto, script que atualiza apos sessoes importantes, testar se a memoria melhora tarefas subsequentes.

Build-Measure-Compare (45 min)

Mesma tarefa de coding: sem contexto (prompt puro) vs. com CLAUDE.md completo. Cronometrar e documentar a diferenca real em tempo, qualidade e iteracoes.