Реальный Context Engineering и причем тут Context Rot? скачать в хорошем качестве

Реальный Context Engineering и причем тут Context Rot?

Context Engineering плюс Prompt Engineering и причем тут Context Rot? RANEZ UNIVERSITY tg: https://t.me/tribute/app?startapp=sAHG web: https://web.tribute.tg/s/AHG AI RANEZ в тг - https://t.me/+ExiaDZ5sN1k0NWEy Почему больше контекста — не значит лучше? И что такое context rot?! САМОЕ ПОНЯТНОЕ объяснение контекст-инжиниринга без лишнего хайпа! В этом видео я показываю, как на самом деле собирать и подавать контекст LLM, чтобы ваши AI-агенты работали стабильно и предсказуемо. Вы увидите, как на практике балансировать между полнотой данных и токенами, чтобы не убивать качество ответов. Я пошагово объясняю, чем контекст-инжиниринг отличается от промпт-инжиниринга: он не заменяет его, а объединяет все части контекста в систему. Разбираем ключевые компоненты: системный промпт (инструкция для агента), user query (ваш запрос), tool calling (описание инструментов и доступ к внешним данным), а также knowledge: memory + files (история диалога, документы, базы, RAG). Показываю, где чаще всего возникает перегруз, почему длинные инструкции и лишние инструменты ломают логику, и как это исправить. Вы увидите, как я на примере саб-агентов в Claude Code выбираю минимальный набор MCPs (они реально прожорливы по токенам!), подключаю RAG, добавляю документацию и при этом не раздуваю контекстное окно. Разберём, почему ChatGPT, Claude или Gemini начинают галлюцинировать в длинных чатах, и к каким последствиям приводит context rot. Ссылаюсь на исследование Chroma (14 июля) про падение качества с ростом input tokens — там на графиках всё очень наглядно. Итог — вы получите рабочие принципы: короткий и точный системный промпт, только нужные инструменты, компактная память/файлы и лаконичный user query. Будет много практики и конкретики! Если видео было полезным — ставьте лайк, подписывайтесь и напишите в комментариях, какие кейсы и стеки разобрать дальше. Буду рад обратной связи!