Klasyczna inżynieria zajmowała się kodem. Inżynieria z modelem AI zajmuje się kodem plus kontekstem, w którym ten kod jest interpretowany przez model. Jakość wygenerowanego kodu zależy w równym stopniu od dobrze sformułowanego zadania i od dobrze dobranego kontekstu, w którym model to zadanie rozwiązuje. To jest praktyczna esencja tego, co w 2026 roku zyskało nazwę „context engineering” — dyscypliny obok prompt engineeringu, która w trzecim roku publicznego życia LLM wyłoniła się jako osobna umiejętność.
Klasyczne strategie kontekstu są trzy. Selektywne dołączanie plików: programista wskazuje agentowi konkretne pliki istotne dla zadania, zamiast kazać agentowi przeszukiwać cały projekt. Zmniejsza koszt tokenowy, zmniejsza ryzyko „lost in the middle”, przyspiesza odpowiedź. Hierarchiczne podsumowania: dla dużych projektów model otrzymuje na początek wysokopoziomowe podsumowanie struktury (typowo plik CLAUDE.md albo równoważny), a szczegóły dociąga w razie potrzeby. Retrieval na żądanie: agent ma dostęp do narzędzia przeszukiwania kodu (semantic search, grep, symbol lookup), z którego korzysta, gdy potrzebuje dodatkowego kontekstu — zamiast otrzymywać go upfront.
W zespołach intensywnie używających asystentów rozwija się ostatnio praktyka plików kontekstowych: w korzeniu repozytorium leży plik (CLAUDE.md, AGENTS.md, .ruletop) zawierający opis projektu, konwencji kodowych, decyzji architektonicznych, ważnych ostrzeżeń. Plik ten jest automatycznie dołączany do kontekstu każdej sesji z agentem. Stanowi formę „onboardingu programisty AI”, który dotyczy każdej nowej rozmowy. W zespołach, które tę praktykę wprowadziły, różnica w jakości generowanego kodu jest wyraźna — model zaczyna pracę z rozumieniem projektu, a nie od zera.