Karo Zieminski: Context engineering for product builders — the 2026 operating manual
Karo Zieminski je objavila ovaj vodič u maju 2026. godine kako bi popunila prazninu koju je primetila u pristupu produktnih timova razvoju AI-a: većina organizacija je uložila u prompt engineering, ali malo ko je pažljivo razmišljao o tome šta model zapravo zna kada odgovara — dublji sloj koji određuje da li će ikakav prompt funkcionisati pouzdano.
O čemu je reč
Članak pravi jasnu distinkciju koja je važna za produktne odluke: prompt engineering određuje šta pitate model, a context engineering određuje šta model zna kada odgovara. Zieminski tvrdi da ovo nisu varijacije iste veštine, već različiti slojevi sistemskog dizajna, i da većina timova premalo ulaže u drugi jer zahteva više arhitekturnog rada na početku.
Osnovna mentalna model dolazi iz računarske analogije koju pripisuje AI istraživaču Androju Karpathom i Tobi Lütkeu iz Shopify-ja: LLM funkcioniše kao CPU, kontekstni prozor služi kao RAM, a osoba ili sistem koji upravljaju šta se učitava u taj prozor deluju kao operativni sistem. Implikacija za produktne timove je da je kontekstni sloj — koji podaci dolaze do modela, u kom obliku i kada — produktna odluka dizajna isto koliko i interfejs ili prompt.
Ključni uvid o pouzdanosti
Jedan od najjasnijih argumenata članka tiče se asimetrije između slabog konteksta i jakih prompt-ova. Dobro sastavljen prompt će loše performovati ako radi na nepotpunom ili loše strukturiranom kontekstu. Nasuprot tome, solidna arhitektura konteksta može obezbediti razumne rezultate čak i sa osrednjim prompt-ovima. Ova asimetrija čini context engineering fundamentalnim, a ne dopunskim slojem — nečim što treba dizajnirati pre optimizacije prompt-ova.
LangChain framework i praktični alati
Zieminski opisuje četiri kanonske strategije za efikasno upravljanje kontekstom prema LangChain framework-u: Write (čuvanje i ažuriranje relevantnih informacija), Select (odabir kojih uskladištenih informacija je relevantno za dati upit), Compress (redukcija konteksta na ono što se efikasno uklapa u prozor) i Isolate (sprečavanje da odvojeni konteksti zagade jedan drugog). Svaka strategija odgovara različitim produktnim scenarijima — RAG pipeline-ovi, agenti sa više sesija i sistemi koji personalizuju sve zahtevaju različite kombinacije.
Članak takođe uvodi Stanford ACE framework za samousavršavajuće agente i nudi konkretne polazne tačke: jednostavnu strukturu fajlova za AI context library, higijensku praksu za održavanje kvaliteta konteksta i arhitekturne prompt-ove za razradu dizajnerskih odluka sa modelom.
Kome je korisno
Product manageri i product dizajneri koji grade funkcionalnosti koje zavise od LLM-ova naći će ovde praktičan orijentir pre ulaska u detalje implementacije. Argument da je arhitektura konteksta produktna odluka — a ne nešto što treba potpuno delegirati inženjerima — biće koristan timovima koji pokušavaju da definišu odgovornosti za kvalitet AI funkcionalnosti. Članak je posebno relevantan za sve koji su primetili da isti model daje izrazito nekonzistentne rezultate na sličnim ulaznim podacima, ne razumejući zašto.