Engenharia de Contexto 2.0: O Contexto da Engenharia de Contexto Este artigo propõe um ponto importante: a engenharia de contexto nãoarxiv.org/pdf/2510.26493 surgiu nos últimos anos, mas sim um campo que vem se desenvolvendo há mais de 20 anos. O artigo divide sua evolução em quatro estágios e se concentra na análise das características das eras 1.0 e 2.0. Link para o artigo: https://t.co/Mj5DyFf5fy A essência da engenharia de contexto é um processo de "redução de entropia". Quando os humanos se comunicam, eles podem contar com conhecimento compartilhado, pistas emocionais e consciência situacional para "preencher as lacunas". No entanto, as máquinas atualmente não possuem essa capacidade, então precisamos "pré-processar" o contexto para elas — comprimindo informações brutas de alta entropia em uma representação de baixa entropia que as máquinas possam entender. O artigo define formalmente contexto como "qualquer informação que possa ser usada para descrever o estado de entidades relacionadas às interações do usuário e do aplicativo", enquanto engenharia de contexto é "o projeto sistemático e a otimização do processo de coleta, armazenamento, gerenciamento e uso de contexto". Quatro estágios de desenvolvimento Era 1.0 (décadas de 1990 a 2020): A Era da Computação Primitiva • Baixo nível de inteligência artificial, capaz apenas de processar entradas estruturadas • Humanos precisam "traduzir" intenções para formatos legíveis por máquina • Sistemas representativos: Context Toolkit, aplicativos de localização • O contexto vem principalmente de sensores (GPS, relógio, etc.) Era 2.0 (2020-Presente): A Era dos Agentes Inteligentes • O surgimento de grandes modelos de linguagem marcou um ponto de virada • As máquinas começaram a entender a linguagem natural e a processar informações ambíguas e incompletas • Sistemas representativos: ChatGPT, LangChain, AutoGPT • O contexto inclui histórico de conversas, documentos de pesquisa, APIs de ferramentas, etc. A Era 3.0 (Futuro): Inteligência de Nível Humano – Os sistemas possuirão habilidades de raciocínio e compreensão semelhantes às humanas, serão capazes de perceber contextos complexos, como sinais sociais e estados emocionais, e alcançarão uma colaboração humano-máquina verdadeiramente natural. A Era 4.0 (Especulativa): Inteligência Sobre-Humana – As máquinas superarão as capacidades humanas e possuirão uma "visão divina". • Deixar de se adaptar passivamente a contextos definidos por humanos e passar a construir ativamente novos contextos. • Descobrir necessidades ocultas que não são expressas explicitamente pelos humanos. Considerações de projeto - Três dimensões essenciais da engenharia contextual 1. Coleta e Armazenamento de Contexto: • Princípio da Suficiência Mínima: Coletar e armazenar apenas as informações necessárias. • Princípio da Continuidade Semântica: Manter a continuidade do significado, não apenas dos dados. • As estratégias de armazenamento evoluíram de sistemas de arquivos locais para uma arquitetura em camadas (cache de curto prazo + banco de dados de longo prazo + armazenamento em nuvem). 2. Gerenciamento de Contexto: Vários métodos comuns para lidar com o contexto do texto: • Marcadores de tempo: Simples, mas carecem de estrutura semântica. • Etiquetas funcionais: Organizam informações por função (por exemplo, "objetivo", "decisão", "ação"). • Compressão de pares pergunta-resposta: Adequada para recuperação de informações, mas interrompe o fluxo de pensamento. • Notas hierárquicas: Estrutura em forma de árvore, mas difícil de expressar relações causais. Para contextos multimodais: • Mapear diferentes modalidades para um espaço vetorial compartilhado. • Usar um mecanismo de autoatenção para processamento conjunto. • Usar atenção cruzada para permitir que uma modalidade se concentre em outra. 3. Uso contextual: • Compartilhamento intra-sistema: por meio de incorporação de pistas, mensagens estruturadas ou memória compartilhada. • Compartilhamento entre sistemas: usando adaptadores para transformar ou compartilhar representações (JSON, resumos em linguagem natural, vetores semânticos). • Seleção de contexto: baseada em fatores como relevância semântica, dependência lógica, atualidade e frequência. Casos de aplicação prática: Gemini CLI: Gerencia o contexto do projeto por meio do arquivo GEMINI.md, com suporte à herança hierárquica. Tongyi DeepResearch: Lida com tarefas de pesquisa de natureza aberta, comprimindo periodicamente longos históricos de interação. Interface cérebro-computador: Captura diretamente sinais neurais, coletando estados cognitivos internos, como atenção e estados emocionais. Principais desafios: • Gargalo de armazenamento de contextos de longa duração: Como reter o máximo de contexto relevante possível sob restrições de recursos. • Degradação no processamento de contextos longos: A complexidade O(n²) dos Transformers leva a problemas de eficiência e qualidade. • Estabilidade do sistema: Pequenos erros podem ter impactos generalizados à medida que a memória se acumula. • Dificuldades de avaliação: Falta de mecanismos para verificar contradições e rastrear cadeias de raciocínio.
