010 Coding Collective

010 Coding Collective

Wat is context engineering? Uitleg voor wie met AI-agents werkt

Context engineering is bepalen wat een taalmodel per stap te zien krijgt: instructies, bestanden, tools en geheugen. Wat het is, waarom het bij AI-agents belangrijker is dan je prompt, en hoe je het in de praktijk aanpakt.

AI LLMs Context Engineering Prompt Engineering AI Agents Claude Code Codex MCP RAG Software Development

Een slimme prompt is niet genoeg meer

Een AI-agent werkt soms een uur zelfstandig en leest onderweg tientallen bestanden. Wat het model dan doet, hangt minder af van je eerste opdracht dan van alles wat zich in die tijd in zijn contextvenster opstapelt.

Bewust kiezen wat het model ziet

Context engineering behandelt het contextvenster als een schaarse werkbank. Je kiest per stap welke instructies, bestanden, tools en eerdere resultaten erop liggen, en ruimt op wat er niet meer toe doet.

Minder dwalen, betere code

Een agent met de juiste context maakt minder fouten, herhaalt zichzelf minder en blijft bij de conventies van je project. Dat scheelt reviewtijd en correctierondes.

Het korte antwoord

Context engineering is bepalen wat een taalmodel per stap te zien krijgt. Niet alleen je vraag, maar alles wat in het contextvenster staat: de instructies, de bestanden die het gelezen heeft, de beschikbare tools, de uitkomsten van eerdere stappen en wat het zich herinnert van eerder werk.

Een model weet niets buiten dat venster. Wat er niet in staat, bestaat voor het model niet. Wat er wel in staat maar niet relevant is, leidt af. Context engineering is het vak van die selectie.

De term werd halverwege 2025 populair, toen onder anderen Shopify-topman Tobi Lütke en AI-onderzoeker Andrej Karpathy hem gebruikten als beter woord voor wat prompt engineering in de praktijk was geworden. Sindsdien is het de gangbare naam voor het ontwerpen van wat een AI-agent ziet.

Waarom je prompt niet meer de hoofdrol speelt

Bij een chatbot stel je één vraag en krijg je één antwoord. Dan is de prompt bijna de hele context, en loont het om die goed te formuleren. Daar gaat prompt engineering over.

Een coding agent als Claude Code of Codex werkt anders. Die zet tientallen stappen achter elkaar: bestanden zoeken, lezen, aanpassen, tests draaien, fouten lezen, opnieuw proberen. Elke stap voegt tekst toe aan het contextvenster. Na een half uur is je oorspronkelijke opdracht nog maar een klein deel van wat het model ziet.

Twee dingen gaan dan mis:

1

Het venster loopt vol

Ook een venster van honderdduizenden tokens raakt vol bij een grote codebase. Dan moet er iets uit, en als de agent dat zelf blind doet, verdwijnt soms precies de regel die ertoe deed.

2

Meer context maakt het model niet slimmer

Hoe meer er in het venster staat, hoe slechter een model de juiste details terugvindt. Onderzoekers noemen dat context rot: oude foutmeldingen, verlaten aanpakken en irrelevante bestanden trekken de aandacht weg van wat nu telt.

Context engineering gaat over beide problemen. Het doel is niet zoveel mogelijk context, maar de kleinste set informatie waarmee het model de volgende stap goed zet.

Wat er in het contextvenster zit

Wie context wil ontwerpen, moet weten waaruit die bestaat. Bij een coding agent zijn dat grofweg zes lagen.

1

Systeeminstructies

De vaste instructies van de tool zelf: wie de agent is, hoe hij tools gebruikt, wat hij niet mag. Daar heb je als gebruiker weinig invloed op.

2

Projectinstructies

Een bestand in je repo, zoals CLAUDE.md of AGENTS.md, dat bij elke sessie wordt ingeladen. Hier staan je conventies, je architectuur en de commando's om te bouwen en te testen.

3

De opdracht en het gesprek

Wat je vraagt en alles wat daarna heen en weer gaat. Dit groeit het snelst en raakt het eerst vervuild.

4

Gelezen bestanden en tool-uitkomsten

De code die de agent opende, de uitvoer van tests en commando's, zoekresultaten. Vaak het grootste deel van het venster.

5

Tools en hun beschrijvingen

Elke beschikbare tool, ook via MCP, kost ruimte met zijn beschrijving. Twintig koppelingen die je niet gebruikt, zijn twintig keer ruis.

6

Opgehaalde kennis en geheugen

Documentatie die via zoeken of RAG wordt binnengehaald, notities uit eerdere sessies, een samenvatting van wat al gedaan is.

Alleen de eerste laag ligt vast. De andere vijf kun je sturen, en daar zit het werk. Hoe tools binnenkomen via MCP en hoe kennis wordt opgehaald met RAG, lees je in aparte uitleg.

Vier technieken die in de praktijk werken

De meeste aanpakken komen neer op vier bewegingen. Goede agents doen een deel ervan zelf, maar wie ze kent, kan ze ook bewust inzetten.

1

Selecteren: alleen wat nodig is

Laat de agent zoeken en gericht lezen in plaats van hele mappen in te laden. Houd het instructiebestand kort en verwijs naar aparte documenten voor details. Zet MCP-koppelingen uit die je voor deze taak niet nodig hebt.

2

Samenvatten: oud werk inkoken

Als een sessie lang wordt, vat je samen wat er besloten en gedaan is en begin je schoon. Claude Code doet dat met compacten. Een verse sessie met een goede samenvatting werkt vaak beter dan een volle sessie die doorloopt.

3

Wegschrijven: geheugen buiten het venster

Een plan, een takenlijst of aantekeningen in een bestand overleven elke samenvatting. De agent leest ze terug wanneer het nodig is, in plaats van alles in zijn hoofd te houden.

4

Afzonderen: deeltaken apart laten doen

Een subagent zoekt iets uit in een eigen, schoon venster en geeft alleen de conclusie terug. Zo vervuilt een zoektocht door honderd bestanden je hoofdsessie niet.

Prompt engineering, context engineering en harness engineering

De drie termen worden vaak door elkaar gebruikt. Ze beschrijven lagen die in elkaar passen.

Prompt engineering Context engineering Harness engineering
Waar gaat het over Eén instructie goed formuleren Alles wat het model per stap ziet De hele omgeving rond de agent
Eenheid Een vraag Een stap in een sessie Elke sessie in een project
Typisch werk Rol, voorbeelden, gewenst formaat Selecteren, samenvatten, wegschrijven, afzonderen Tests, checks, permissies, feedbackloops
Wanneer het telt Losse vragen aan een chatbot Agents die lang zelfstandig werken Teams die agents dagelijks inzetten

Prompt engineering is een onderdeel van context engineering: je prompt is één van de dingen in het venster. Context engineering is op zijn beurt een onderdeel van harness engineering, dat ook regelt wat er gebeurt als de agent een fout maakt. Wat een harness precies is, lees je in wat is een AI-harness.

Hoe een senior team context engineering aanpakt

Bij ons draait elke klantrepo met coding agents. Wat we daarbij geleerd hebben over context, komt neer op een paar vaste gewoontes.

1

Een kort, eerlijk instructiebestand

Het instructiebestand in de repo beschrijft hoe het project echt werkt: welke commando's, welke conventies, welke valkuilen. Geen wensenlijst. Wat niet klopt, wordt geschrapt, want een agent volgt het letterlijk.

2

Kleine taken, verse sessies

Eén taak per sessie. Een agent die tegelijk een bug fixt, een feature bouwt en een refactor doet, sleept de context van alle drie mee in elke stap.

3

Het plan op schrift

Voor groter werk schrijft de agent eerst een plan in een bestand. Dat plan wordt het geheugen van de taak, en een mens leest het voordat er code komt.

4

Tests als context

Een falende test vertelt een agent precies wat er mis is, in een paar regels. Dat is betere context dan een uitleg in proza, en het werkt elke sessie opnieuw.

Een model kan alleen werken met wat er op zijn werkbank ligt. Context engineering is opruimen voordat je begint.

Wanneer je er minder mee bezig hoeft

Niet elke AI-taak vraagt om dit werk. Voor een losse vraag aan ChatGPT, een tekst herschrijven of een functie uitleggen is de context klein en overzichtelijk. Dan volstaat een duidelijke vraag.

Ook bij een kort script van een paar honderd regels hoef je weinig te ontwerpen: de agent leest alles in één keer en het venster raakt niet vol. Context engineering gaat lonen zodra een agent langer zelfstandig werkt, in een codebase die groter is dan wat in één venster past, of in een team waar meerdere mensen dezelfde agent op hetzelfde project loslaten.

Conclusie: de context is het nieuwe programmeerwerk

Met AI-agents verschuift het werk van de developer. Minder zelf typen, meer bepalen wat de agent weet op het moment dat hij beslist. Dat is geen trucje voor betere prompts, maar ontwerpwerk: wat moet altijd bekend zijn, wat haal je op als het nodig is, en wat ruim je op.

🧩

Wat het is

Bepalen wat een taalmodel per stap ziet: instructies, bestanden, tools, eerdere resultaten en geheugen. Zo weinig als kan, zo veel als nodig.

🎯

Waarom het telt

Agents werken lang en lezen veel. Zonder bewuste keuzes loopt het venster vol met ruis, en dan dwaalt het model af of vergeet het wat ertoe deed.

Veelgestelde vragen

Wat is context engineering in het kort?

Context engineering is bepalen wat er per stap in het contextvenster van een taalmodel staat: welke instructies, bestanden, tools, voorbeelden en eerdere resultaten het model ziet. Het doel is de kleinste set informatie waarmee het model de volgende stap goed zet.

Wat is het verschil tussen prompt engineering en context engineering?

Prompt engineering gaat over één instructie goed formuleren. Context engineering gaat over alles wat het model meekrijgt, over een hele sessie: ook de gelezen bestanden, tool-uitkomsten, het gesprek en het geheugen. Je prompt is één onderdeel van de context.

Wat is een contextvenster?

Het contextvenster is de hoeveelheid tekst die een taalmodel in één keer kan verwerken, gemeten in tokens. Alles wat het model weet over je taak moet daarin passen. Wat erbuiten valt, ziet het model niet.

Is een groter contextvenster niet gewoon de oplossing?

Nee. Een groter venster schuift het probleem op, maar lost het niet op. Hoe meer er in staat, hoe slechter een model de juiste details terugvindt. Een volle sessie met oude fouten en verlaten aanpakken presteert vaak slechter dan een korte, schone sessie.

Wat heeft CLAUDE.md of AGENTS.md met context engineering te maken?

Dat zijn instructiebestanden in je repo die een coding agent bij elke sessie inlaadt. Ze zijn het vaste deel van de context: conventies, architectuur en commando's die het model altijd moet kennen. Kort en kloppend houden is een van de meest effectieve vormen van context engineering.

Hoe hangen RAG en MCP samen met context engineering?

Het zijn manieren om context binnen te halen. RAG zoekt relevante documenten op en zet ze in het venster. MCP koppelt een agent aan externe tools en databronnen. Allebei maken ze het venster rijker, en allebei vragen ze om keuzes: wat haal je op, en wat laat je weg.

Sneller bouwen met AI, zonder in te leveren op kwaliteit?

Onze senior developers werken dagelijks met coding agents. Je kunt ze inhuren voor je project, of je team leert in een workshop hoe het zelf goed gaat.

Laten we je project bespreken

Van AI-prototypes die productie-klaar moeten worden tot strategisch advies, code audits of doorlopende development support. We denken graag vrijblijvend met je mee over de beste aanpak.

010 Coding Collective gratis consult
gratis

Gratis consult

In anderhalf uur bespreken we je project, uitdagingen en doelen. Eerlijk advies van senior developers, geen verkooppraatje.

1,5 uur met senior developer(s)
Analyse van je huidige situatie
Schriftelijke samenvatting achteraf
Concrete next steps