---
id: d5e6f7a8-b9c0-4d1e-2f3a-4b5c6d7e8f9a
category: "10_Wiki/Topics/AI"
confidence_score: 0.99
tags: [context, engineering, llm, optimization, token-management, agent]
last_reinforced: 2026-05-01
github_commit: "wikification-context-engineering"
---

# [[Context Engineering|Context Engineering]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> 컨텍스트 엔지니어링은 프롬프트 작성을 넘어, 에이전트의 제한된 인지 자원(Context Window)을 최적화하기 위해 정보를 필터링, 압축, 우선순위화하여 모델의 추론 충실도를 극대화하는 정교한 데이터 관리 기법이다.

## 📖 구조화된 지식 (Synthesized Content)

### 1. 프롬프트에서 컨텍스트로의 진화
- **정적에서 동적으로**: 고정된 지시문(Prompt) 작성에서, 런타임 상황에 맞춰 필요한 정보만 선별하여 주입하는 동적 관리로 패러다임이 전환되었다.
- **인지 부하 제어**: 모델이 모든 정보를 보게 하는 대신, 현재 작업에 결정적인 정보(Salient Information)만 노출하여 추론의 정확도를 높인다.

### 2. 핵심 기술 및 전략
- **선택적 주입 (Selective Injection)**: RAG 등을 활용하여 방대한 데이터 중 관련성 높은 하위 집합만 컨텍스트에 포함시킨다.
- **적응형 압축 (Adaptive Compaction)**: 과거 대화나 작업 이력을 요약(Summary)하거나 중요도가 낮은 토큰을 제거하여 공간을 확보한다.
- **우선순위화 (Prioritization)**: 시스템 지시어, 최근 도구 결과, 장기 기억 등을 레이어별로 관리하고 중요도에 따라 배치 순서를 조정한다.

### 3. 하네스의 C-컴포넌트
- 하네스는 모델이 인지할 수 있는 '창(Window)'을 관리하는 역할을 수행하며, 컨텍스트 엔지니어링은 이 창 내부를 채우는 정책(Policy)과 알고리즘을 담당한다.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **컨텍스트 부패 (Context Rot)**: 정보를 너무 많이 유지하면 주의 분산(Attention Dilution)이 발생하고, 너무 적게 유지하면 정보 상실로 인한 추론 오류가 발생한다.
- **토큰 경제성**: 긴 컨텍스트 모델이 등장했음에도 불구하고, 연산 비용과 지연 시간 때문에 여전히 효율적인 컨텍스트 관리는 필수적인 최적화 영역이다.

## 🔗 지식 연결 (Graph)
- **Parent**: 10_Wiki/Topics/AI
- **Related**: [[Agent Harness|Agent Harness]], RAG (Retrieval-Augmented Generation), [[Agent_State_Store|Agent State Store]]
- **Raw Source**: 00_Raw/Context Engineering

## 💻 GitHub 동기화 자동화 워크플로우
1. Stage: git add .
2. Commit: `git commit -m "[P-Reinforce] Wikify Context Engineering Strategies"`
3. Push: `git push origin main`