Injetar dezenas de skills, regras prolixas e schemas de ferramentas no prompt inicial tornou-se a principal causa de degradação de agentes de IA em 2026. O inchaço de contexto causa derramamento de atenção, colisões de instruções e loops de raciocínio.
Meça: um prompt inchado pode consumir várias vezes o orçamento de um focado. A regra é manter o arquivo raiz curto e descobrir o resto sob demanda.
Quanto mais regras estáticas são inseridas no início de cada mensagem, menor é a capacidade das cabeças de atenção do Transformer em focar na lógica do problema real. O excesso de restrições cria paralisia de decisão e respostas lentas.
O LCC (Local Context Compiler) normaliza espaços e remove redundâncias de RAG localmente. O repositório do LCC documenta contagens exatas de tokens e um recibo de auditoria para cada bloco descartado.
Evite descrever árvores inteiras de diretórios, sintaxe básica de linguagens conhecidas ou regras de estilo que linters (Prettier, ESLint, Biome) corrigem deterministicamente. Arquivos de regras eficazes contêm no máximo 20 a 30 linhas com comandos de build/teste e peculiaridades não óbvias.
3. O Padrão Progressive Disclosure (Divulgação Progressiva)
A arquitetura moderna divide o conhecimento em 3 camadas: 1. Regras globais mínimas no arquivo raiz; 2. Descoberta dinâmica de documentação através de buscas (grep/ripgrep); 3. Skills e servidores MCP carregados exclusivamente sob demanda quando a tarefa exigir.
4. Métodos Práticos de Otimização de Tokens
Utilize pré-processadores determinísticos como o LCC (Local Context Compiler) para normalizar espaços e remover redundâncias de RAG, e aplique checkpoints de sessão (handoff.md) para manter conversas sempre limpas e eficientes.
Conclusão
Engenharia de contexto madura não é sobre fornecer tudo de uma vez, mas fornecer apenas o que importa no momento exato. Agentes com contexto enxuto respondem mais rápido, erram menos e economizam milhares de dólares em tokens.