Context engineering — de juiste werkomgeving voor AI ontwerpen #

Context engineering is het doelbewust kiezen, structureren, actualiseren en begrenzen van alles wat een model mag gebruiken om een taak goed uit te voeren.

Inhoud #

Niet alleen een prompt, maar de hele werkomgeving #

Een prompt is de opdracht die je nu intypt. Context is het hele pakket informatie dat het model bij die opdracht ziet: projectinstructies, je vraag, eerdere berichten, voorbeelden, geüploade documenten, zoekresultaten en eventueel beschikbare tools. Context engineering is het ontwerpen van dat pakket.

Bij een losse vraag is een goede prompt vaak genoeg. Bij terugkerend werk — bijvoorbeeld schrijven over je diensten, productinformatie beheren of onderzoek doen — bepaalt de kwaliteit van de vaste context veel sterker of het antwoord bruikbaar blijft.

Anthropic definieert het als: het samenstellen en onderhouden van de optimale verzameling tokens die tijdens het antwoorden beschikbaar is — inclusief alles wat daar buiten de prompt om terechtkomt. Dat is breder dan prompt engineering: niet alleen hoe formuleer ik de instructie?, maar ook welke informatie krijgt het model, in welke vorm, op welk moment — en welke niet? Anthropic, 29-09-2025.

Waar de term vandaan komt #

De term brak door in juni 2025. Shopify-CEO Tobi Lütke omschreef het als “de kunst om alle context te leveren die een taak plausibel oplosbaar maakt voor het LLM”; Andrej Karpathy nam dat een week later over met de opmerking dat hij “context engineering” verkoos boven “prompt engineering”. Anthropic gaf de discipline in september 2025 zijn scherpste definitie.

Belangrijk voor de duiding: prompt engineering is niet vervangen, het is opgenomen. Anthropic beschrijft context engineering expliciet als de natuurlijke voortzetting van prompt engineering, niet als de opvolger. Elk context-engineered systeem heeft nog steeds een systeemprompt, en elke samenvattingsstap en toolbeschrijving is zelf weer een prompt. Simon Willison vat het waarom van de naamswissel bondig samen: het woord werd goedkoop, de vaardigheid niet — “prompt engineering” was gaan klinken als trucjes intypen in een chatbot.

⚠️ Dit is nuttige duiding tegen de veelgehoorde slogan “prompt engineering is dood”. Die slogan is onjuist en kost mensen leertijd aan de verkeerde kant.

Waarom dit nodig is: het gemeten bewijs #

Een taalmodel vult ontbrekende bedrijfskennis niet aan met betrouwbare feiten. Zonder bron over je aanbod, doelgroep, terminologie of keuzes leunt het op algemene patronen en aannames. Dat levert vaak tekst op die vloeiend is, maar te generiek, verouderd of feitelijk onjuist.

Meer materiaal toevoegen is óók niet automatisch beter, en dat is geen aanname maar een meting:

Context rot. Onderzoekers van Chroma (Kelly Hong, Anton Troynikov, Jeff Huber) testten in hun rapport Context Rot: How Increasing Input Tokens Impacts LLM Performance (14 juli 2025) achttien frontier-modellen, waaronder de families GPT-4.1, Claude 4, Gemini 2.5 en Qwen3. Élk getest model werd meetbaar onbetrouwbaarder naarmate de invoer groeide — ruim vóór de gestelde tokenlimiet. Een venster van 200K kan al bij 50K serieus inzakken. Het verval verliep per model anders: sommige hielden stand tot ~32K en vielen dan weg, andere zakten geleidelijk. De meest contra-intuïtieve uitkomst: modellen presteerden slechter op logisch samenhangende documenten dan op geschudde, omdat samenhangende tekst overtuigender afleiders oplevert.
Lost in the middle. Informatie die in het middendeel van een lange context staat, wordt structureel vaker over het hoofd gezien dan informatie aan het begin of het eind. Onderzoek naar positiebias wijst uit dat dit in de architectuur zit, niet alleen in de trainingsdata.
Het aandachtsbudget. Anthropic verklaart dit vanuit de architectuur: attention legt n² onderlinge verbanden tussen tokens, dus hoe langer de context, hoe dunner het vermogen om elk relevant verband vast te houden. Modellen zien tijdens training bovendien veel meer korte dan lange reeksen. Hun formulering: net als mensen met een beperkt werkgeheugen hebben LLM’s een “attention budget” dat elke extra token opsoupeert — nuttig of niet.

Behandel context daarom als een beperkt budget: elk document moet een duidelijke taak hebben.

De opbrengst is praktisch:

minder uitleg in elke nieuwe chat;
minder algemene, inwisselbare output;
consequenter taalgebruik en betere aansluiting op je aanbod;
makkelijker controleren waar een uitspraak vandaan komt;
sneller verbeteren: je past het dossier aan in plaats van telkens een nieuwe megaprompt te schrijven.

Data is niet hetzelfde als context — toegevoegd 19 augustus 2026 #

Het scherpste onderscheid uit dit dossier, en het verklaart waarom “we hebben de data toch?” zo vaak misgaat:

Data is het ruwe materiaal: events, records, documenten, logs en metrics, verspreid over je systemen.
Context is de geselecteerde snede daarvan, samengesteld en gevormd voor één specifieke beslissing op één specifiek moment.

Context omvat dus het systeemprompt, gebruikersgeschiedenis, opgehaalde documenten, tooluitvoer, tussenstand en de regels die je meegeeft. Het is het werkgeheugen van het model.

De bijbehorende verschuiving in de vraagstelling is bruikbaar in een training:

Vroeger: “Welke data hebben we nodig om dit model één keer te trainen?”
Nu: “Welke context heeft het model op dit moment nodig om de juiste beslissing te nemen?”

De bron vat het beeldend samen: “we don’t shovel raw ingredients into our mouths and call it a meal” — je hakt, kookt en kruidt eerst. Rauwe data is zelden de juiste data voor AI.

De vier pijlers (Confluent/Anthropic-indeling) — toegevoegd 19 augustus 2026 #

Naast de vier handelingen hieronder bestaat er een indeling in vier componenten waaruit context wordt opgebouwd. De bron stelt expliciet dat deze aansluit op Anthropics eigen ontwerprichtlijnen:

Pijler	Wat het is	De beperking die de bron er zelf bij noemt
1. Systeemprompt	identiteit, doelen, grenzen, vuistregels	geeft richting, maar compenseert nooit ontbrekende data
2. Tools	API’s, functies en toegangspunten die de agent kan aanroepen	helpen alleen als wat ze teruggeven schoon en actueel is
3. Data retrieval	wat het model daadwerkelijk te zien krijgt	“the hardest engineering problem” — hoog signaal, weinig ruis, actueel, zonder de latency en kosten te laten ontploffen
4. Long-horizon optimization	geheugen, traceerbaarheid, evaluatielussen, feedback	zorgt dat het systeem beter wordt over tijd in plaats van steeds opnieuw hetzelfde te doen

De sectorbrede beweging die de bron signaleert: van “preload everything” naar “retrieve just in time”.

De ontwikkelcyclus die ze eromheen leggen — bruikbaar als kapstok bij advieswerk: Ontwerp → Datavoorbereiding → Context engineering → Evalueren → Uitrollen → Observeren, waarbij de laatste stap terugvoert naar de eerste.

✅ Onafhankelijke bevestiging van een correctie die deze wiki op 7 augustus doorvoerde: ook deze bron schrijft context rot toe aan het Chroma Technical Report (2025), niet aan Anthropic. De correctie van destijds houdt stand.

⚠️ Herkomst — lees dit vóór je iets uit deze sectie citeert. De bron is The Complete Guide to Context Engineering for AI, een ebook van Confluent (auteur: Sean Falconer, Head of AI). Confluent verkoopt Kafka en Flink. De eerste helft van het ebook is bruikbaar conceptueel materiaal; de tweede helft is productmarketing waarin de oplossing steevast “Confluent Intelligence” heet. De vier pijlers en het data-versus-contextonderscheid staan los van dat belang — de architectuurconclusie (“je hebt een streaming-platform nodig”) niet.

De vier handelingen: write, select, compress, isolate #

Dit is het vakjargon dat je buiten deze wiki tegenkomt. Lance Martin (LangChain) bracht de praktijk terug tot vier handelingen, en vrijwel elke productie-agentarchitectuur implementeert er een variant van:

Handeling	Wat het is	In gewone taal
Write	informatie buiten het contextvenster wegschrijven — kladblok, geheugenbestand	opschrijven in plaats van onthouden
Select	het juiste deel weer ophalen via retrieval of een tool	pak erbij wat je nu nodig hebt
Compress	samenvatten of inkorten tot alleen signaal overblijft	vat samen wat je al gedaan hebt
Isolate	niet-verwante context in aparte vensters houden, meestal via subagents	houd los werk uit elkaar

Ken deze termen; ze zijn de gedeelde taal van het onderwerp. De zes bouwstenen hieronder zijn onze eigen didactische laag daarbovenop, bedoeld voor iemand die met een Project in ChatGPT of Claude begint en geen agent bouwt.

De zes bouwstenen (eigen didactische indeling) #

Een beginnend project heeft geen agent-architectuur nodig. Begin met deze zes bouwstenen.

Bouwsteen	Vraag die hij beantwoordt	Voorbeeld
Doel	Waarvoor bestaat dit project?	“Maak inhoud voor de website, niet voor sociale media.”
Rol en grenzen	Wat moet AI wel en niet doen?	Schrijfassistent; geen feiten verzinnen of juridische claims doen.
Feitenbron	Welke informatie is waar?	Productdossier, prijslijst, FAQ, beleid.
Stijl en doelgroep	Voor wie en hoe schrijf je?	MKB-ondernemers, helder Nederlands, geen marketingclichés.
Werkwijze	Welke stappen en controles horen erbij?	Eerst bronhiaten noemen, dan structuur, dan concept.
Actualiteit en eigenaar	Wanneer klopt dit niet meer?	Prijskaart: eigenaar commercie, bijgewerkt op datum X.

De eerste vier maken output relevanter. De laatste twee maken het systeem betrouwbaar en onderhoudbaar.

Context engineering versus verwante begrippen #

Begrip	Hoofdvraag	Voorbeeld
Prompt engineering	Hoe vraag ik deze taak goed?	“Schrijf een productpagina van 400 woorden.”
Context engineering	Welke informatie moet beschikbaar zijn voor goed werk?	Productdata, doelgroep, tone of voice, voorbeelden en regels.
RAG	Hoe haal ik bij een vraag relevante stukken uit een grotere kennisbron op?	Een systeem zoekt de passende product-FAQ op.
Memory	Wat wordt over gesprekken heen onthouden?	Voorkeur voor een korte schrijfstijl.
MCP/tools	Welke externe data of handelingen kan het model gebruiken?	Actuele voorraad raadplegen of een CMS-concept aanmaken.

RAG, geheugen en tools kunnen dus onderdelen van context engineering zijn. Ze zijn niet hetzelfde. Voor de meeste beginners is een goed, klein projectdossier waardevoller dan meteen RAG of koppelingen bouwen.

Vier ontwerpregels #

Eén project, één terugkerend doel. Niet “alles over mijn bedrijf”, maar bijvoorbeeld “websitecontent voor dienst X”.
Bron vóór instructie. Een fraaie schrijfinstructie vervangt geen correcte productinformatie.
Compact en gestructureerd wint van compleet en rommelig. Geef per document één onderwerp en werk met koppen, tabellen en versiedata.
Zet grenzen expliciet neer. Laat AI bij ontbrekende informatie een vraag stellen of een aanname labelen; niet aanvullen alsof het feit is.

⚠️ Regel 4 heeft een houdbaarheidsdatum, en die is zichtbaar aan het opschuiven. Zie de volgende paragraaf.

Minder regels, meer oordeel — de omslag bij de nieuwste modellen #

Anthropic rapporteerde in juli 2026 dat het ruim 80% van de systeemprompt van Claude Code verwijderde voor modellen als Opus 5 en Fable 5, zonder meetbaar verlies op de eigen coding-evaluaties. Ze constateerden dat ze het model overmatig aan banden hadden gelegd, en draaiden vier vuistregels om:

Toen	Nu
geef het model regels	laat het model oordelen
geef voorbeelden	ontwerp de interface (parameters, keuzelijsten)
zet alles vooraf in de context	progressive disclosure — laad het juiste op het juiste moment
herhaal jezelf	één plek per instructie, bij de tool zelf

Bij oudere modellen waren die harde regels nodig om slechte uitkomsten te voorkomen; nieuwere modellen hebben genoeg oordeelsvermogen om het zonder te doen — en tegenstrijdige instructies uit systeemprompt, projectinstructies en gebruikersvraag kosten ze juist denkwerk.

Wat betekent dat voor de vier ontwerpregels hierboven? Ze blijven staan voor de doelgroep van dit artikel: iemand die in een chatproduct met een projectdossier werkt, waar het risico ontbrekende feiten is en niet overmatige sturing. “Verzin geen prijs die niet in het dossier staat” is een feitelijke grens, geen stilistische betutteling. Maar de richting is duidelijk: wie een instructieblok van twintig regels schrijft, schrijft waarschijnlijk het model in de weg. Schrap wat het model zelf kan zien, en verplaats detail naar het moment waarop het nodig is.

⚠️ Bron is een secundaire samenvatting van Anthropic-materiaal (juli 2026), niet de primaire publicatie. Het 80%-cijfer is niet bij Anthropic zelf geverifieerd.

Een tweede, onafhankelijke poot onder dezelfde conclusie. HumanLayer kwam in november 2025 langs een heel andere weg op hetzelfde uit: eigen meting van de harness (een logging-proxy die uitleest wat een coding-agent daadwerkelijk naar de API stuurt) plus een instruction-following-studie (arXiv 2507.11538). Dat is geen bevestiging van het 80%-cijfer, maar wel van de richting: minder instructies, universeel toepasbaar, en later laden in plaats van alles vooraf.

Het instructiebudget: hoeveel instructies volgt een model eigenlijk? #

De reden achter “minder regels” is meetbaar gemaakt. Vier bevindingen, zoals HumanLayer ze uit arXiv 2507.11538 doorgeeft:

Frontier thinking-modellen volgen circa 150–200 instructies met redelijke consistentie. Kleinere modellen minder dan grote, en non-thinking-modellen minder dan thinking-modellen.
Kleinere modellen verslechteren exponentieel naarmate het aantal instructies stijgt, terwijl grote frontier thinking-modellen lineair verval vertonen. Gebruik dus geen klein model voor meerstapstaken of complexe plannen.
Modellen bevoordelen de randen van de prompt — het begin (systeemprompt en projectinstructies) en het eind (de recentste berichten). Dit is dezelfde positiebias als lost in the middle hierboven.
Bij te veel instructies daalt de instructievolging uniform. Het model negeert dan niet alleen de laatste of onderste instructie — het gaat ze allemaal gelijkmatig minder goed volgen.

De confronterende meting erbij: het systeemprompt van Claude Code bevat volgens HumanLayers eigen telling zo’n 50 individuele instructies. Dat is, afhankelijk van het model, al bijna een derde van het budget — nog vóór jouw projectinstructies, skills, plugins en de vraag zelf. Elke regel die je toevoegt, concurreert dus letterlijk met de instructies die het model al heeft meegekregen.

⚠️ Beide cijfers komen uit één bron (HumanLayer, 25 november 2025): de ~50 is hun eigen telling, de 150–200 is hun weergave van een studie die hier niet zelf is gelezen. De auteur zet er zelf bij dat het onderwerp “hasn’t been investigated in an incredibly rigorous manner.” Behandel de orde van grootte als bruikbaar en het exacte getal als indicatief.

Eén laag hoger: harness en loop #

Wie zich in dit onderwerp verdiept, komt in 2026 twee termen tegen die boven context engineering liggen. Drie ringen om hetzelfde model:

Laag	Wat je ontwerpt	Vraag
Context engineering	wat er in het venster komt voor één beurt	wat ziet het model nu?
Harness engineering	de omgeving rond één agent-run: tools, geheugen, foutafhandeling, verificatie	hoe draait die ene run betrouwbaar?
Loop engineering	de cyclus die agents blijft draaien tot een doel meetbaar gehaald is	wie bepaalt wanneer het klaar is?

Twee praktijkvoorbeelden die vaak worden aangehaald: Cognition ontdekte bij het herbouwen van codeeragent Devin een faalpatroon dat ze “context anxiety” noemden — naarmate het venster vol raakte, ging het model taken voortijdig afronden omdat het het einde voelde naderen. De oplossing was puur omgevingsontwerp: het venster van 1 miljoen tokens aanzetten maar het feitelijke gebruik stil op 200.000 afkappen. Het gedrag verdween zonder dat er één token prompt of context veranderde. En LangChain zou zijn codeeragent van plek 30 naar plek 5 hebben gebracht op een benchmark zonder het model te wisselen — alleen door de omheining eromheen te verbeteren.

Het bruikbare principe voor niet-bouwers zit in de derde laag: het model mag nooit zelf bepalen dat het klaar is. Een echte controle (een test, een checklist, een tweede beoordelaar) is wat een lus betrouwbaar maakt. Dat is dezelfde gedachte als de controlelaag in [[wiki/toepassingen/hallucinaties-voorkomen-controlelaag]], een niveau hoger toegepast.

⚠️ Wees hier voorzichtig mee. Beide praktijkvoorbeelden komen uit Medium-artikelen (juli-augustus 2026) en zijn niet bij de betrokken bedrijven geverifieerd. De laagindeling zelf is nuttig; de cijfers zijn anekdote tot ze bevestigd zijn.

Twee aanvullingen op deze indeling (augustus 2026) — geen tegenspraak.

Geheugen is binnen de harness-laag een eigen architectuurdomein geworden. In de tabel hierboven is “geheugen” één woord tussen tools, foutafhandeling en verificatie. Inmiddels heeft het een eigen productmarkt, eigen benchmarks en een eigen benchmarkoorlog. De indeling is niet fout, wel te grofmazig op dit punt.
Persistentie over sessies heen is een as die de drie lagen doorkruist. Alle drie de ringen zijn synchroon: ze beschrijven wat er nu, in één beurt of één run, gebeurt. Geen van de drie beantwoordt de vraag wat blijft er over ná de run? Een groter contextvenster lost dat niet op — een venster houdt alleen vast wat er op dit moment in staat en persisteert niet over tijd. Die diachrone as staat uitgewerkt in [[wiki/fundamenten/ai-geheugen]].

llms.txt: één bestand, twee gebruiksdoelen die door elkaar lopen #

llms.txt is een tekstbestand in de root van een website met een beknopte, gestructureerde inhoudsopgave van wat er staat en waar. Rond dit bestand bestaat veel verwarring, omdat er twee volstrekt verschillende dingen mee bedoeld worden.

	Als vindbaarheidssignaal	Als contextbestand
Idee	crawlers van AI-zoekmachines lezen het en citeren je vaker	jij of je agent geeft het bewust mee als bron
Wie haalt het op	niemand ongevraagd — gemeten: 97% van de bestanden krijgt nul verzoeken	een ontwikkelomgeving, een agent of jijzelf, gericht
Bewijs	❌ weerlegd; zie [[wiki/markt-en-trends/aeo-answer-engine-optimization]]	✅ werkt aantoonbaar: het is een gewone pull van een URL
Moeite	laag	laag
Doen?	nee, niet voor dit doel	ja, als je documentatie of een projectdossier hebt

Waarom het als contextbestand wél werkt. Er is geen conventie voor nodig die iemand moet ondersteunen. Een agent of ontwikkelomgeving die de URL krijgt, haalt hem simpelweg op — precies zoals wanneer jij een link in een chat plakt. Ontwikkelomgevingen als Cursor, Claude Code en Windsurf halen zo’n bestand bewust op als ingang naar documentatie, en documentatieplatform Mintlify genereert llms.txt en llms-full.txt standaard voor de sites die het host (waaronder de documentatie van Anthropic).

Wat dat voor een eigen project betekent. Een llms.txt is in feite de feitenbron uit de zes bouwstenen hierboven, in één plat bestand: een overzicht van wat er is, met korte omschrijvingen en verwijzingen. Dat is nuttig in twee richtingen:

Naar buiten: wie jouw documentatie of dienstenoverzicht in een AI-tool wil gebruiken, heeft één schone ingang in plaats van een site vol navigatie en opmaak
Naar binnen: je kunt hetzelfde bestand meegeven als vaste context aan een project of assistent, en het onderhouden zoals elk ander brondocument — met datum en eigenaar

Het kost weinig werk, en dat is het echte argument. Alleen: verkoop het niet als vindbaarheidsmaatregel, want dat is het aantoonbaar niet.

De contextbestanden: AGENTS.md, CLAUDE.md, SKILL.md #

Bij AI-ontwikkelomgevingen is context engineering neergeslagen in een handjevol Markdown-bestanden in de projectmap. Ze verschillen in reikwijdte:

AGENTS.md — het project: bouwcommando’s, testcommando’s, codestijl, harde beperkingen. Dit is het dichtst bij een gedeelde standaard; het valt sinds 2026 onder hetzelfde beheer als MCP en wordt door tientallen tools gelezen.
SKILL.md — een capaciteit in plaats van een project: een map met instructies plus optionele scripts en referenties, overdraagbaar tussen tools.
CLAUDE.md, .cursorrules, .windsurfrules, copilot-instructions.md — toolspecifieke voorlopers, meestal nog ondersteund voor compatibiliteit.

Drie lessen die breder gelden dan code:

Elke zin wordt elke sessie gelezen. Dat is terugkerende tokenkosten. Schrap alles wat het model zelf kan zien.
Exacte commando’s en expliciete “klaar”-criteria helpen aantoonbaar; architectuuroverzichten en vage formuleringen (“waar mogelijk”, “zorg voor volledige dekking”) niet. Een agent heeft beleid nodig, geen proza.
Laat een LLM dit bestand niet zelf genereren. Onderzoek waar deze bron naar verwijst wijst uit dat gegenereerde bestanden de slagingskans verlagen en de kosten verhogen, vooral omdat ze herhalen wat het model al kon afleiden. Een kort, met de hand geredigeerd bestand verslaat een lang, door AI geschreven bestand.

Progressive disclosure is het mechanisme dat dit schaalbaar maakt: bij het starten leest de agent alleen naam en omschrijving van een skill, en pas bij een passende taak de rest. Tien ongebruikte skills kosten dan vrijwel niets.

⚠️ Punt 3 is direct van toepassing op deze vault: de AGENTS.md hier is op 7 augustus 2026 door een agent gegenereerd uit CLAUDE.md. Dat is precies het patroon waar deze bron voor waarschuwt. Genoteerd in [[gaps.md]].

Deze bestanden zijn tegelijk een geheugenlaag, en daar gelden aparte regels voor: een lengtekader, het mechanisme waarom een model zijn eigen instructiebestand kan negeren, en een onbesliste tegenstrijdigheid over automatisch genereren. Uitgewerkt in [[wiki/fundamenten/ai-geheugen]], samen met het onderscheid tussen bestanden die jíj schrijft en notities die het model zelf bijhoudt.

Veelgemaakte fouten #

De encyclopedische dump. Honderden pagina’s uploaden zonder structuur maakt de kans groter dat het model het relevante stuk niet gebruikt.
Instructies en feiten door elkaar. “Gebruik geen superlatieven” hoort in de instructies; “de levertijd is drie werkdagen” in de feitenbron.
Geen bronhiërarchie. Als een oud blog en de actuele prijslijst elkaar tegenspreken, moet duidelijk zijn welke bron wint.
Statische documenten voor dynamische feiten. Voorraad, prijs of wetgeving moet je niet als tijdloos behandelen. Koppel een actuele bron of neem een controlemoment op.
Geen testset. Beoordeel een project niet op één mooie output. Test vijf terugkerende taken, inclusief een vraag waarop het dossier bewust geen antwoord geeft.
Alles vooraf inladen. Het tegenovergestelde van progressive disclosure. Wat je maar zelden nodig hebt, hoort niet in de vaste instructie.
Het model een taak geven die gereedschap beter doet. “Never send an LLM to do a linter’s job.” Stijl- en opmaakregels zijn het meest voorkomende dat mensen in een instructiebestand zetten, terwijl een deterministische tool dat sneller, goedkoper en zonder fouten doet — en de regels ondertussen instructiebudget en contextruimte opeten. Hetzelfde geldt buiten code: laat AI niet controleren wat een zoekopdracht, een formule of een checklist met zekerheid vaststelt.

Sleutelinzichten #

Context engineering is geen nieuwe naam voor een lange systeemprompt; het omvat alle relevante informatie en de selectie daarvan.
Prompt engineering is niet dood — het is opgenomen in een grotere discipline. Wie dat verwart, leert de verkeerde les.
Relevantie is belangrijker dan volume, en dat is gemeten: achttien modellen werden allemaal onbetrouwbaarder naarmate de invoer groeide, vóór hun eigen limiet.
Een project met een beknopte instructie en een goed feitenbestand is voor beginners de beste eerste toepassing.
De richting bij nieuwe modellen is minder regels, meer oordeel, en later laden — niet meer instructie.
Maak bron, datum, eigenaar en onzekerheid zichtbaar. Dat verkleint hallucinaties, maar neemt eindcontrole niet weg.
Boven context staan harness en loop. Het overdraagbare principe: het model bepaalt nooit zelf dat het klaar is.
Instructies zijn een budget, niet een gratis vangnet. Frontier thinking-modellen volgen er ongeveer 150–200; te veel instructies verslechteren het volgen van alle instructies, niet alleen de laatste.
Naast de drie synchrone lagen loopt een vierde vraag: wat blijft er over na de sessie? Daar gaat geen contextontwerp over, maar geheugen.

Contentkansen #

Pijler 2 / CW-282: “Context engineering: waarom een betere prompt niet genoeg is.”
Pijler 3 / CW-283: “Van losse chat naar contextdossier: wat je AI wel en niet meegeeft.”
Nieuw, nog geen CW: “Nee, prompt engineering is niet dood” — pijler 1 of 2. De contra-intuïtieve kant: het vak is niet vervangen maar opgeslokt, en de meting achter context rot is sterker dan de slogan.
Nieuw, nog geen CW: “De bestanden die je AI aansturen: AGENTS.md, CLAUDE.md en SKILL.md” — pijler 3, thema agents-en-automatisering.
Trainingsoefening: laat deelnemers hetzelfde product beschrijven met en zonder productdossier; bespreek daarna welke feiten de AI verzon.

Gerelateerd #

[[wiki/fundamenten/ai-geheugen]] — wat er ná de sessie overblijft: de diachrone as onder deze drie lagen, plus de regels voor instructiebestanden
[[wiki/fundamenten/prompting-technieken]] — de opdracht formuleren binnen een goed contextontwerp
[[wiki/fundamenten/rag-mcp-agents]] — ophalen van kennis en externe handelingen
[[wiki/fundamenten/hallucinaties]] — waarom een bron en controlelaag nodig blijven
[[wiki/fundamenten/kernbegrippen-llm]] — contextvenster, tokens, needle in a haystack
[[wiki/toepassingen/hallucinaties-voorkomen-controlelaag]] — het model markeert zijn eigen werk niet af
[[wiki/tools/chatgpt-projects-custom-gpts]] — Projects als laagdrempelige werkomgeving
[[wiki/tools/claude-skills]] — Skills en CLAUDE.md in de praktijk
[[wiki/toepassingen/contextdossier-website]] — praktisch dossier voor website en productcontent
[[wiki/markt-en-trends/aeo-answer-engine-optimization]] — waarom llms.txt als vindbaarheidssignaal níét werkt, met de metingen erbij

Bronnen #

Primair / geverifieerd
– Anthropic — Effective context engineering for AI agents, 29 september 2025, geraadpleegd 7 augustus 2026 — definitie, aandachtsbudget, n²-verklaring, en de verwijzing naar context rot. Vendor-bron; de architectuurverklaring is bruikbaar, de aanbevelingen zijn geen onafhankelijke effectmeting.
– Chroma — Context Rot: How Increasing Input Tokens Impacts LLM Performance (Kelly Hong, Anton Troynikov, Jeff Huber), 14 juli 2025, research.trychroma.com/context-rot — 18 modellen, de originele meting en de bron van de term. ⚠️ Chroma verkoopt een vectordatabase en heeft dus belang bij “lange context werkt niet”; de opzet is wel gepubliceerd en repliceerbaar (toolkit op GitHub).
– Anthropic Help Center — projecten aanmaken en beheren, geraadpleegd 7 augustus 2026 — projectkennis, projectinstructies, automatische RAG-modus bij grote projectkennis.
– OpenAI Help Center — Projects in ChatGPT — ⚠️ niet bij de bron geverifieerd: de pagina blokkeert geautomatiseerde toegang (403). Inhoud secundair bevestigd; zie [[wiki/toepassingen/contextdossier-website]].

Secundair — gebruikt met attributie
– [[RAW/Context Engineering vs Prompt Engineering The Winner May Surprise AI Engineers.md]] — Towards AI, 2 augustus 2026. Beste overzicht van de drie lagen, de herkomst (Karpathy/Lütke), Willison, en de Chroma-attributie. Levert ook de harness-voorbeelden (Cognition/Devin, LangChain Terminal-Bench). ⚠️ Die twee incidenten zijn niet onafhankelijk bevestigd.
– [[RAW/The New Skill in AI is Not Prompting, It’s Context Engineering.md]] — Philipp Schmid, 30 juni 2025. De zeven contextcomponenten en de Lütke-definitie.
– [[RAW/Context Engineering Guide.md]] — promptingguide.ai (DAIR.AI), laatst bijgewerkt 1 februari 2026. Uitgewerkt voorbeeld van context engineering in een agent-workflow.
– [[RAW/The New Rules of Context Engineering for Claude 5 Models.md]] — 25 juli 2026. De vier omgedraaide vuistregels en het 80%-cijfer. ⚠️ Secundaire samenvatting van Anthropic-materiaal, niet de primaire publicatie.
– [[RAW/Loop vs Harness vs Context Engineering, Explained in Detail.md]] — 20 juli 2026. De drie ringen; het principe dat de poort en niet het model bepaalt wanneer iets klaar is.
– [[RAW/Context Engineering & Understanding AGENTS.md & SKILLS.md & CLAUDE.md]] — 2 augustus 2026. Reikwijdte per bestand, progressive disclosure, en de waarschuwing tegen AI-gegenereerde contextbestanden.
– [[RAW/Writing a good CLAUDE.md]] — Kyle, HumanLayer, 25 november 2025, humanlayer.dev. Het instructiebudget (~150–200 instructies; ~50 al in het systeemprompt), de system-reminder-meting via logging-proxy, progressive disclosure met agent_docs/ en “prefer pointers to copies”, en het linter-argument. ⚠️ HumanLayer verkoopt agent-tooling; de arXiv-studie (2507.11538) is niet zelf gelezen.
– [[RAW/The Complete Guide to AI Agent Memory Files (CLAUDE.md, AGENTS.md, and Beyond).md]] — Paolo Perrone, 26 februari 2026. Het volledige ecosysteem aan instructiebestanden, de precedentieregels, @imports en Claude’s auto-memory. ⚠️ Spreekt de vorige bron tegen over automatisch genereren; beide standpunten staan in [[wiki/fundamenten/ai-geheugen]].
– [[RAW/AI Agent Memory Systems in 2026 Mem0, Zep, Hindsight, Memvid and Everything In Between.md]] — Dev Genius, 20 maart 2026. Levert het argument dat een contextvenster niet over tijd persisteert. ⚠️ Alle cijfers erin zijn vendorclaims; zie [[wiki/tools/geheugenlagen-voor-agents]].
– [[RAW/Core LLM Concepts Tokens, Embeddings, Context, Parameters.md]] — Medium, april 2026. Korte afbakening; was de oorspronkelijke — en tot 7 augustus 2026 enige — bron onder dit artikel.
– [[RAW/What Is AI context engineering?.md]] — Google Cloud, bijgewerkt 23 april 2026. De driedeling persistent / semi-persistent / transient. ⚠️ Zwaar productgericht (BigQuery, Agent Platform); de 90%-besparing door context caching is een eigen productclaim.
– [[RAW/Effective Context Engineering for AI Agents Beyond Prompt Engineering.md]] · [[RAW/Context Engineering The Secret Behind Powerful AI Agents.md]] — Medium, augustus 2026. Parafrases van Anthropic met DevOps-voorbeelden; niet als zelfstandige bron gebruikt.
– [[RAW/What is Context Engineering? And Why Is Everyone Talking About It?.md]] — Medium, augustus 2025. Vijf technische pijlers.

Gebruikt met sterk voorbehoud
– [[RAW/What Is a Context Engineer?.md]] — DataHub, 20 april 2026. Beschrijft de rol. ⚠️ Zware vendor-bias: DataHub verkoopt een contextplatform, en de cijfers (95% investeert in training, 82% zegt dat prompting niet meer volstaat, 57% dubbel werk) komen uit hun eigen State of Context Management Report 2026, n=250 IT- en dataleiders. Let op: het “2026 industry survey”-cijfer in de Towards AI-bron hierboven verwijst naar dit onderzoek — twee bronnen die op dezelfde vendor-enquête teruggaan.
– [[RAW/Agent Skills for Context Engineering The Architecture That Keeps AI From Drowning in Its Own Data.md]] — januari 2026. ⚠️ Niet als feitenbron gebruikt. Bevat tientallen percentages (“20% betere taakaccuratesse”, “25% minder fouten”, “40% minder integratiebugs”, “35% efficiencywinst”) zonder één traceerbare verwijzing. Alleen de kwalitatieve begrippen zijn overgenomen — lost-in-the-middle, progressive disclosure, context poisoning — en die zijn elders bevestigd.

Niet gelezen
– RAW/The Complete Guide to Context Engineering for AI EB.pdf (25 MB) — niet leesbaar zonder PDF-tooling in deze omgeving. Zie [[gaps.md]].
– [[RAW/The Complete Guide to Context Engineering for AI EB.md]] — The Complete Guide to Context Engineering for AI, Sean Falconer, Head of AI bij Confluent, 2026, 40 pag. Op 19-08-2026 door Eelco met markitdown uit de PDF gehaald (die was met pypdf maar deels leesbaar). ⚠️ Vendor-ebook: Confluent verkoopt Apache Kafka en Flink. De eerste ~20 pagina’s zijn bruikbaar conceptueel materiaal (data vs. context, de vier pijlers, de twee architectuur-anti-patronen, de ontwikkelcyclus); de tweede helft is productmarketing waarin het antwoord steevast “Confluent Intelligence” luidt, met klantverhalen en een gratis-tegoed-CTA. Bevestigt onafhankelijk dat context rot van Chroma komt (Technical Report 2025), niet van Anthropic. De analistencijfers erin (McKinsey, Gartner, IDC) zijn doorgiftes en grotendeels voorspellingen, geen metingen — niet overnemen zonder de primaire bron.