Il context engineering, in italiano “ingegneria del contesto”, è l’attività di selezione, organizzazione e gestione di tutte le informazioni che un modello di intelligenza artificiale, come un LLM, ha a disposizione nel momento in cui genera una risposta. L’obiettivo è ottenere risultati più accurati, pertinenti e affidabili.
Nelle definizioni più diffuse, comprende e mette in relazione pratiche e tecniche già note, in particolare il prompt engineering, che si concentra sulla formulazione delle istruzioni, e la RAG, la tecnica che recupera informazioni da documenti e basi di dati. A queste aggiunge la gestione di tutto ciò che il modello ha a disposizione durante il lavoro, come la cronologia della conversazione, la memoria e i risultati prodotti da altri strumenti.
Il termine ha cominciato a diffondersi nel giugno 2025, quando Tobi Lütke, amministratore delegato di Shopify, ha scritto di preferire “context engineering” a “prompt engineering”, perché descrive meglio la competenza davvero necessaria: fornire al modello tutto il contesto di cui ha bisogno per poter svolgere il compito. Pochi giorni dopo Andrej Karpathy, ricercatore tra i fondatori di OpenAI, ha rilanciato la proposta, definendo il context engineering come l’arte di riempire la finestra di contesto del modello con le informazioni giuste per il passaggio successivo.
Che cosa si intende per contesto in un modello di IA?
Il contesto è l’insieme delle informazioni che un modello di intelligenza artificiale ha a disposizione nel momento in cui genera una risposta. A seconda dell’applicazione e del compito, può comprendere:
- le istruzioni che regolano il comportamento dell’assistente, definite da chi sviluppa o configura il sistema;
- la richiesta dell’utente (prompt), che indica al modello il compito da svolgere;
- i documenti e le informazioni recuperati da fonti esterne, come archivi aziendali, basi di conoscenza o risultati di ricerche sul web;
- i dati strutturati, come tabelle, schede prodotto o elenchi;
- la cronologia della conversazione, con le domande e le risposte precedenti, eventualmente selezionate o riassunte;
- i risultati di altri strumenti, quando l’assistente può eseguire ricerche, calcoli o altre operazioni.
Lo spazio disponibile per queste informazioni è limitato: ogni modello può elaborare una quantità massima di contenuti alla volta, misurata in token, all’interno della cosiddetta finestra di contesto.
È qui che entra in gioco il context engineering: selezionare, organizzare e aggiornare le informazioni da mettere a disposizione del modello, affinché possa concentrarsi su quelle più pertinenti e utili al compito. L’obiettivo non è riempire la finestra di contesto, ma sfruttarla nel modo più efficace per ottenere risposte affidabili e pertinenti.
Perché il context engineering è importante?
Un modello linguistico, di per sé, non conserva memoria delle conversazioni precedenti: genera le risposte solo sulla base di ciò che trova nella finestra di contesto in quel momento, compresi gli eventuali ricordi che il sistema vi reinserisce. Per questo la qualità delle risposte dipende in larga parte dalla qualità delle informazioni fornite: un contesto ben costruito favorisce risposte pertinenti e un uso corretto degli strumenti, mentre un contesto confuso o incompleto aumenta il rischio di errori e di allucinazioni dell’IA.
Aggiungere informazioni, però, non basta. Uno studio di Chroma del luglio 2025 ha verificato su 18 modelli che le prestazioni diventano meno affidabili man mano che il testo da elaborare si allunga, anche quando il compito resta semplice: un fenomeno indicato con il nome di context rot, letteralmente “deterioramento del contesto”. Nello spazio disponibile, quindi, conta più la pertinenza delle informazioni che la loro quantità.
Il tema è particolarmente rilevante negli agenti di intelligenza artificiale, che svolgono compiti lunghi e articolati e devono leggere e aggiornare il proprio contesto molte volte prima di arrivare a un risultato.
Quali sono le fasi del context engineering?
Il lavoro sul contesto si articola in alcune fasi principali, che nei sistemi più complessi si ripetono a ogni passaggio:
- selezione: si sceglie quali informazioni includere, escludendo quelle irrilevanti o ripetute e quelle inaffidabili, che potrebbero “avvelenare” il contesto;
- strutturazione: si organizzano le informazioni in modo leggibile per il modello, per esempio con titoli, delimitatori o formati come tabelle e schede, separando le istruzioni dai dati;
- progettazione delle istruzioni: si definiscono il compito, le regole da rispettare e il formato della risposta, cioè la parte che corrisponde al prompt engineering;
- compressione: si riassumono i documenti lunghi e si eliminano i duplicati, per far stare più informazioni utili nello spazio disponibile;
- ordinamento: si decide in quale ordine presentare le informazioni, mettendo in evidenza quelle più rilevanti per il compito;
- integrazione di strumenti e memoria: si stabilisce come inserire nel contesto i risultati degli strumenti esterni e quali informazioni conservare, per esempio sotto forma di riassunto, per i passaggi successivi o le conversazioni future.
In un assistente che risponde ai clienti, per esempio, il context engineering deve decidere quali pagine del manuale recuperare per ogni domanda, come riassumere la conversazione quando diventa troppo lunga e quali dati sul cliente mantenere disponibili, una scelta da definire in fase di progettazione nel rispetto della normativa sulla protezione dei dati personali.
Che differenza c’è tra context engineering, prompt engineering e RAG?
I tre concetti si sovrappongono, ma hanno ruoli diversi:
- il prompt engineering riguarda la formulazione delle istruzioni e della richiesta, ed è una parte del context engineering;
- la RAG (retrieval-augmented generation) è una tecnica che collega il modello a fonti esterne, come archivi di documenti o basi di conoscenza, e ne recupera i contenuti pertinenti al momento della risposta. È quindi uno degli strumenti con cui si porta informazione nel contesto;
- il context engineering tiene insieme tutti questi elementi e decide, passaggio dopo passaggio, quali informazioni rendere disponibili al modello e in che forma.
Secondo Anthropic, il context engineering rappresenta l’evoluzione naturale del prompt engineering: la formulazione delle istruzioni conta ancora, ma diventa una parte di un lavoro più ampio.
Quali strumenti si usano per il context engineering?
Chi sviluppa applicazioni basate sull’IA lavora sul contesto con diversi strumenti, tra cui:
- i database vettoriali, che archiviano i contenuti sotto forma di rappresentazioni numeriche e permettono di recuperarli in base al significato, non solo alle parole esatte;
- i framework di orchestrazione, che automatizzano il recupero delle informazioni, la costruzione dei prompt, l’uso degli strumenti e la gestione della memoria;
- i protocolli per collegare i modelli a dati e servizi esterni, come il Model Context Protocol (MCP);
- gli strumenti di valutazione e monitoraggio, che mostrano come viene costruito il contesto e come influisce sulle risposte.
Quali sono i limiti e i rischi del context engineering?
Un contesto più ricco non garantisce risposte corrette: se le informazioni recuperate sono sbagliate, obsolete o mal organizzate, il modello tende a riprodurre gli stessi errori. Per questo contano la qualità e l’aggiornamento delle fonti, oltre alla verifica dei risultati.
Il contesto è anche un punto di attacco. Documenti, pagine web o email inseriti nel contesto possono contenere istruzioni nascoste, come accade nella prompt injection, e i dati personali o riservati che vi finiscono vanno gestiti con le stesse cautele previste per qualsiasi altro trattamento di dati.
Altre risorse per approfondire
- Anthropic – Effective context engineering for AI agents – La guida di Anthropic al context engineering negli agenti di IA e al rapporto con il prompt engineering.
- Chroma – Context Rot: How Increasing Input Tokens Impacts LLM Performance – Lo studio del 2025 su come le prestazioni dei modelli cambiano al crescere della lunghezza del contesto.
- Simon Willison – Context engineering – Il post del giugno 2025 che ricostruisce la diffusione del termine e le definizioni di Lütke e Karpathy.