Context engineering: van goede prompt naar slim systeem

Context engineering is het ontwerpen en beheren van alle informatie die een AI-model ontvangt bij elke stap. De prompt is daar onderdeel van, maar er zit veel meer in: de systeeminstructies, de meegeleverde documenten, de beschikbare tools, de gespreksgeschiedenis, het geheugen uit eerdere sessies. Samen vormen die elementen het context window, de totale hoeveelheid informatie die het model in één keer kan verwerken.

Het onderscheid met prompt engineering is helder. Prompt engineering richt zich op de instructie: hoe formuleer je wat je het model vraagt? Context engineering richt zich op de volledige informatieomgeving. Andrej Karpathy, AI-onderzoeker en voormalig directeur AI bij Tesla, formuleerde het in 2025 zo: bij serieuze AI-toepassingen is de kunst het vullen van het context window met precies de juiste informatie voor de volgende stap.

Dat verschil klinkt subtiel. Het is het niet. Vergelijk het met het inwerken van een nieuwe medewerker. Prompt engineering is de opdracht die je geeft: “Schrijf een samenvatting van dit rapport voor het bestuur.” Context engineering is alles wat die medewerker verder nog weet op het moment dat ze aan de slag gaat: de huisstijl van de organisatie, de voorkeuren van het bestuur, eerdere verslagen, de context van waarom dit rapport er nu is. Een scherpe opdracht aan iemand die de organisatie niet kent, levert een generiek resultaat. Dezelfde opdracht aan iemand die de hele context heeft, levert iets bruikbaars.

AIscendo-keuze

Wij positioneren context engineering niet als vervanging van prompt engineering. De bouwstenen en technieken uit de vorige clusters blijven de basis. Context engineering is de volgende laag: wat je eraan toevoegt wanneer AI overgaat van een incidenteel hulpmiddel naar een structureel onderdeel van het werk.

In ons ringen-model, dat laat zien hoe AI-capaciteiten laag voor laag op elkaar voortbouwen, overbrugt context engineering Ring 1 (Aansturen) en Ring 2 (Weten). De prompt stuurt het model aan. Context engineering bepaalt welke informatie het model meekrijgt om die sturing waar te maken.

Het is verleidelijk om te denken: geef het model zo veel mogelijk informatie, dan maakt het de beste keuze. Dat blijkt niet te kloppen.

Het context window is eindig. Elk model heeft een maximum aan informatie dat het in één keer kan verwerken. Die grens is ook meer dan technisch. Onderzoek toont een patroon aan dat context rot wordt genoemd: naarmate het context window voller raakt, neemt de nauwkeurigheid van het model af. Het model verwerkt de informatie nog wel, maar de aandacht wordt dunner verdeeld. Relevante details raken ondergesneeuwd door irrelevante informatie. Het resultaat wordt breder en tegelijk minder scherp.

Stel het je voor als een bureau waarop je documenten uitspreidt. Alles wat op het bureau ligt, kan het model verwerken. Wat er niet op ligt, bestaat niet. Een leeg bureau geeft het model niets om mee te werken. Een bureau met precies de juiste documenten levert het beste resultaat. Maar een bureau dat zo vol ligt dat je niets meer terugvindt, werkt averechts. Ergens is een optimum, en dat optimum vinden is precies de opgave.

De consequentie

Context engineering draait om selecteren, niet om stapelen. De kunst is de juiste informatie op het juiste moment beschikbaar maken, zonder het context window te overbelasten. Dat vraagt om bewuste keuzes: wat neem je mee, wat laat je weg, en wanneer haal je iets erbij?

Context engineering speelt op elk niveau waarop AI wordt ingezet, van een individuele medewerker tot een organisatiebreed systeem. Op drie niveaus wordt zichtbaar hoe contextbeheer steeds belangrijker wordt.

Dagelijks gebruik

Iedereen die een AI-model gebruikt, doet al aan contextbeheer. Een document meegeven bij een opdracht. Aan het begin van een gesprek vertellen wie de doelgroep is. Een eerdere versie van een tekst bijvoegen zodat het model de stijl kan overnemen. Dat zijn contextuele keuzes die direct de kwaliteit van het resultaat beïnvloeden. Op dit niveau is context engineering nog handwerk: de gebruiker bepaalt wat er in het context window terechtkomt.

Het principe dat hier het verschil maakt, is vastleggen. Schrijf de instructies, achtergrond en gedragsregels op die het model nodig heeft. Stel bewust een set instructies op die je hergebruikt, in plaats van elke keer opnieuw dezelfde context in te typen. Veel AI-platforms bieden daarvoor mogelijkheden: systeeminstructies die bij elk gesprek worden meegeladen, projecten met vaste contextdocumenten, geheugen dat over sessies heen wordt bewaard.

Herhaald gebruik

Zodra dezelfde soort opdracht tientallen keren wordt uitgevoerd door meerdere mensen, verschuift de opgave. Het is niet meer praktisch om bij elke opdracht handmatig de juiste context samen te stellen. De vraag wordt: hoe zorg je ervoor dat het systeem bij elke opdracht automatisch de juiste informatie ophaalt?

Hier komt selecteren in beeld. Een systeem dat bij elke klantvraag automatisch het juiste dossier erbij zoekt. Een AI-toepassing die bij het opstellen van een adviesbrief de relevante richtlijnen uit een kennisbank filtert. De gebruiker stelt de vraag, het systeem levert de context. Dat is een fundamenteel andere manier van werken dan alles handmatig kopiëren naar een chatvenster.

Een bijkomende strategie op dit niveau is comprimeren. Bij lange gesprekken of grote hoeveelheden data groeit het context window. Samenvattingen maken van wat er tot nu toe is besproken, alleen conclusies bewaren, details wegfilteren die niet meer relevant zijn. Het is de reden waarom een AI-model na een lang gesprek soms lijkt af te dwalen: het systeem comprimeert om ruimte te maken, en daarbij kan informatie uit vroege beurten naar de achtergrond verschuiven.

Structurele inzet

Op organisatieniveau wordt context engineering een ontwerpvraagstuk. Welke kennisbronnen koppel je aan het systeem? Hoe zorg je ervoor dat het model bij elke stap precies de juiste informatie heeft, zonder overbelast te raken? Hoe splits je complexe taken op zodat elke deeltaak een gefocust, beheersbaar stuk context ontvangt?

Die laatste strategie, isoleren, is herkenbaar voor wie de pagina over prompt chaining (cluster 4.3d) heeft gelezen. Daar ging het om het opknippen van taken in stappen. Vanuit context engineering bekeken is de reden daarvoor breder: het houdt de context per stap klein en scherp. Een stap die alleen de informatie ziet die voor die stap relevant is, presteert beter dan een stap die het hele dossier moet doorspitten.

Op dit niveau raakt context engineering aan de architectuur van AI-systemen. Eén techniek die hier steeds terugkomt, is RAG (Retrieval-Augmented Generation). Het principe: in plaats van alle kennis in het context window te laden, doorzoekt het systeem bij elke vraag een externe kennisbron en haalt alleen de relevante passages op. Het model krijgt niet alles, het krijgt het juiste. RAG is een onderwerp op zich en wordt uitgewerkt bij RAG: organisatiekennis koppelen (cluster 5.2). Voor nu is het voldoende om te begrijpen dat RAG een vorm van context engineering op systeemniveau is: een manier om het selectieprobleem geautomatiseerd op te lossen.

De kern van context engineering is een verschuiving in denken. Van “hoe schrijf ik een betere prompt?” naar “hoe ontwerp ik de informatieomgeving zodat het model op elk moment precies genoeg weet?”

Die verschuiving is geleidelijk. De promptbouwstenen en technieken uit de vorige clusters verdwijnen niet. Ze vormen het fundament. Context engineering bouwt daarop voort door de vraag breder te trekken: welke documenten ontvangt het model, welke tools kan het inzetten, welke gespreksgeschiedenis krijgt het mee, en hoe wordt al die informatie geselecteerd, gecomprimeerd en georganiseerd?

Voor wie beslissingen neemt over AI in een organisatie, levert dat een concreet afwegingskader op. Een AI-pilot die goed werkt met handmatig samengestelde context, is nog niet klaar voor structurele inzet. De stap naar productie vraagt om een doordacht ontwerp van hoe informatie naar het model toekomt. Dat ontwerp is context engineering.

Wie wil begrijpen hoe de kwaliteit van AI-output systematisch te beoordelen is en welke fouten het vaakst worden gemaakt, leest verder bij Evaluatie van AI-output (cluster 9.1).

Wie wil weten hoe context engineering eruitziet op systeemniveau en hoe RAG werkt als geautomatiseerde contextselectie, leest verder bij RAG: organisatiekennis koppelen (cluster 5.2).

Wie terug wil naar de bouwstenen die de basis vormen van elke goede prompt, vindt die bij De 7 bouwstenen van de ideale prompt (cluster 4.2).