Context engineering: dovednost, která rozhoduje o kvalitě vývoje s AI

GitHub průběžně přidává do Copilotu levnější modely. OpenAI každý týden zrychluje inferenci. Nové benchmarky přicházejí jeden za druhým. Jenže po měsících, kdy jsme stavěli vývojové workflow s AI pro enterprise klienty i vlastní produkty, jsme zjistili něco, co žádný benchmark nezachytí: na modelu záleží mnohem méně než na kontextu, který mu dáte.

Tohle je posun od prompt engineeringu ke context engineeringu. A potichu se z něj stává nejdůležitější dovednost v moderním vývoji softwaru.

Prompt engineering byl o tom napsat dokonalou zprávu. Ladili jste instrukce, přidávali příklady, upravovali teplotu modelu. Fungovalo to, ale jen do určité míry.

Context engineering je něco jiného. Prokop Simek, spoluzakladatel DX Heroes, to vysvětluje takto:

Rozdíl je praktický. U prompt engineeringu musíte všechno napsat do jedné zprávy. U context engineeringu dáte AI agentovi přístup ke správným informacím ve správný čas a necháte ho, ať si sám vybuduje porozumění.

Znamená to verzované kontextové soubory, které se vyvíjejí spolu s vaším kódem. Servery MCP (Model Context Protocol), které propojují AI nástroje s vašimi reálnými systémy. A hlavně to znamená přemýšlet o tom, co váš AI spolupracovník potřebuje vědět, ne jen o tom, co po něm chcete.

Jedním z nejrozšířenějších vzorů context engineeringu je soubor AGENTS.md. Říká AI nástrojům, jak váš projekt funguje, jaké konvence dodržovat a čeho se vyvarovat. Používáme ho ve všech našich projektech.

Má to ale háček, na který přišel Miloš Halda. S Cursorem dohromady napsal přes 20 commitů na redesignu našeho webu:

Oprava je podle Miloše přímočará, aktualizace AGENTS.md je „na pár promptnutí“. Důležitější je ale hlubší poznatek: context engineering není jednorázové nastavení. Je to průběžná údržba, stejně jako jakákoliv jiná technická dokumentace.

Co zůstává stabilní? Obecné principy. „Důraz na DRY, KISS a podobné principy si nastavím jednou pro celý projekt a zůstávají tak dlouhodobě,“ dodává Miloš. Poučení zní: oddělte trvalé inženýrské principy od kontextu, který je specifický pro projekt a mění se v čase.

Někdy nad vstupem nemáte žádnou kontrolu. Jakub Vacek pracuje na průmyslovém AI klasifikačním systému, který zpracovává přes 40 parametrů z dat, jež zadávají uživatelé. Jeho zkušenost ukazuje, jak extrémně je takový systém závislý na kontextu:

Tohle je context engineering v nejčistší podobě. Když nemůžete kontrolovat, co přijde dovnitř, musíte být chirurgicky přesní v tom, co tomu dáte kolem. Jakubův tým staví dynamický kontext z dat samotného uživatele a hledá rovnováhu mezi relevancí a praktickým omezením velikosti kontextového okna.

Tenhle vzor přenesete kamkoli. Ať už stavíte klasifikační systém, kódového asistenta nebo interní nástroj, otázka zní stejně: co model potřebuje vědět právě teď a jak mu to efektivně dostat?

V teorii zní context engineering jednoduše. Enterprise prostředí ale přidává vrstvy složitosti. Prokop popisuje, jak to dnes vypadá:

Sdílí výmluvný příklad: finanční instituci, která nechce zpřístupnit svou Jiru přes MCP kvůli historickým problémům s kvalitou dat a kvůli GDPR:

Vzniká paradox. Organizace, které by z vývoje s AI vytěžily nejvíc, jsou často ty, které dokážou poskytnout nejméně kontextu, díky kterému to celé funguje. Na spravovaných firemních zařízeních často nejde nainstalovat ani CLI nástroje, které by jako zdroj kontextu mohly posloužit.

Cesta vpřed je podle Prokopa strategická: „Vědět, co je potřeba připojit, jak získávat kontext a z jakých systémů, tak aby to skutečně fungovalo.“ Context engineering na enterprise úrovni není dovednost jednotlivého vývojáře, je to architektonické rozhodnutí. Víc jsme o tom napsali v poznámkách o stavbě MCP governance pro enterprise. Na základě potřeb klientů jsme postavili vlastní produkt, MCP Gateway.

Láká nás narativ, že AI nástroje demokratizují vývoj softwaru a že kdokoliv s dobrými prompty vytvoří produkční software. Naše zkušenost říká něco jiného.

Prokop je v tom přímý:

AI nástroje zatím nevidí celý rozsah produkčního systému. Umí vygenerovat kód, který funguje izolovaně, ale selhává v kontextu. Chybí mu bezpečnostní souvislosti, omezení datové integrity nebo výkonnostní aspekty, které zkušený inženýr zachytí okamžitě.

Neznamená to, že pro juniornější vývojáře nemají AI nástroje hodnotu. Bezesporu mají. Znamená to ale, že kontext, který z AI nástrojů vytáhne produkční kvalitu, často pochází z inženýrské zkušenosti, kterou do promptu nezakódujete. Abyste věděli, na co se ptát, musíte vědět, na čem záleží. Stejnou dynamiku jsme popsali v článku o velkých refaktoringách s AI.

Context engineering se posouvá od individuální dovednosti k architektonickému tématu. Tady je, co pozorujeme.

Verzovaný kontext se stává standardem. Když vaši AI agenti vidí, jak se projekt vyvíjel, a ne jen jeho aktuální stav, dělají lepší rozhodnutí. Prokopův postřeh, že verzovaný kontext umožní agentům porozumět vývoji aplikace, se už v praxi potvrzuje.

Hranice kontextu jsou stejně důležité jako kontext sám. Když omezené informace, které agent v danou chvíli potřebuje, zjednodušíte, zmenšíte a předáte přesně, dostanete dramaticky lepší výsledky, než když mu naházíte všechno do okna.

Daň za údržbu je reálná. Každý AGENTS.md soubor, každá konfigurace MCP serveru, každá RAG pipeline je kontext, který potřebuje zůstat aktuální. Lépe na tom budou týmy, které s kontextem zachází jako s infrastrukturou, ne jako s jednorázovým nastavením.

Enterprise adopce vyžaduje governance. AI agenty nemůžete jen tak připojit ke všemu. Bezpečnostní, compliance a datové výzvy, které Prokop popisuje, samy nezmizí. Potřebují účelová řešení.

Pokud s context engineeringem začínáte, na základě naší zkušenosti doporučujeme tohle.

Začněte trvalými principy. Do AGENTS.md nastavte inženýrské standardy, které se nemění: konvence, architektonická rozhodnutí, požadavky na testování. To je váš základ.

S kontextem, který se vyvíjí, zacházejte jako s dokumentačním dluhem. Když jsou vaše AGENTS.md soubory zastaralé, vaše AI nástroje pracují se špatnými předpoklady. Počítejte s časem na údržbu kontextu stejně jako s časem na jinou dokumentaci.

Buďte cílení v tom, jaký kontext poskytujete. Víc neznamená lépe. Nejlepší výsledky mají týmy, které pečlivě vybírají, co model uvidí, ne ty, které mu naházejí všechno do okna.

Svou enterprise kontextovou strategii plánujte včas. Pokud jste v organizaci s compliance požadavky, nečekejte, až MCP governance budete potřebovat. Začněte o ní přemýšlet teď. Mezera mezi tím, co AI nástroje potřebují, a tím, co enterprise bezpečnost dovolí, je místo, kde většina adopčních snah uvízne.

A pamatujte: model je jen motor, kontext je volant. Bez dobrého context engineeringu vás i ty nejlepší AI nástroje dovezou někam, kam nechcete.

Konkrétně to vidíme ve srovnání Claude Code, Cursoru a GitHub Copilotu v produkci. Tři nástroje na stejném modelu Opus 4.8, a velmi rozdílné výsledky, protože každý wrapper spravuje kontext jinak.