Explication
Ingénierie du contexte pour les agents IA : un cadre pratique de fiabilité
L’ingénierie du contexte pour les agents IA consiste à décider quelles informations, instructions, outils, états et mémoires sont visibles à chaque étape. L’objectif n’est pas de remplir toute la fenêtre de contexte, mais de fournir le minimum d’informations fiables permettant de choisir la prochaine action et de produire un résultat vérifiable.
Ce guide présente la différence avec l’ingénierie des prompts, un modèle en cinq couches, une boucle de sélection du contexte et un modèle réutilisable pour tester un workflow réel.
Recherche et transparence: Ottermind publie cet article. Nous avons consulté les sources primaires d’Anthropic, de LangChain et de l’OpenAI Agents SDK, ainsi que l’étude Lost in the Middle, le 28 août 2026. Les cinq couches et les exemples sont des cadres éditoriaux originaux, pas des benchmarks Ottermind.
Pourquoi le contexte est essentiel
Un agent recherche, lit des fichiers, utilise des outils, observe les résultats et réajuste son plan. Chaque tour ajoute de nouveaux éléments, parfois obsolètes, dupliqués ou contradictoires. Tout transmettre augmente le coût et rend les preuves importantes plus difficiles à retrouver. L’étude Lost in the Middle montre également que les modèles peuvent moins bien exploiter une information placée au milieu d’un long contexte.
La bonne question est donc : de quoi l’agent a-t-il besoin pour la prochaine décision, quelle est la source et que faut-il garder hors de la fenêtre ?
Contexte et prompt : quelle différence ?
| Discipline | Question | Portée |
|---|---|---|
| Ingénierie des prompts | Comment exprimer la tâche et le comportement ? | Instructions, exemples, rôle, format |
| Ingénierie du contexte | Que doit voir le modèle maintenant ? | Instructions, preuves, messages, outils, état, mémoire, permissions |
Le guide de prompts Ottermind aide à rédiger le brief initial. L’ingénierie du contexte gère ce brief lorsqu’il devient un workflow dynamique.
Les cinq couches
| Couche | Contenu | Risque |
|---|---|---|
| Comportement | Règles, limites et politiques | Instructions vagues |
| Tâche | Objectif, public, livrable, critères | Pas de condition d’arrêt |
| Preuves | Fichiers, extraits, sources datées | Informations obsolètes |
| Opérations | Outils, schémas et permissions | Trop d’outils ou d’accès |
| Continuité | Plan, décisions, état et mémoire | Mémoire ancienne |
Le contexte local de l’application, comme les identifiants ou les secrets, ne doit pas être envoyé automatiquement au modèle. N’exposez que ce qui sert à la décision actuelle.
La Context Selection Loop
- Nommer la décision suivante : quelle source choisir, quel outil appeler ou quel contrôle effectuer ?
- Réunir les candidats : instructions, exigences, preuves, outils et état, avec leurs dates et sources.
- Filtrer : pertinence, autorité, fraîcheur, cohérence et permission.
- Structurer : séparer règles et preuves, supprimer les doublons, résumer l’historique en gardant les décisions et les liens.
- Observer et mettre à jour : noter les changements, les conflits, la mémoire utile et la décision suivante.
Exemple et bonnes pratiques
Pour un mémo de décision concurrentielle, commencez par un contrat de tâche et une carte des sources, sélectionnez les extraits actuels, comparez les options, rédigez depuis la décision approuvée, puis validez le résultat. Cet exemple explique une méthode ; il ne prouve pas qu’un modèle sera toujours meilleur.
Commencez par le contexte minimal suffisant. Séparez faits, instructions et état. Conservez provenance et incertitude pendant la compression. Donnez aux outils des contrats étroits. Stockez les décisions utiles plutôt que chaque token. Évaluez toujours deux stratégies sur la même tâche et les mêmes critères.
Erreurs courantes
Évitez le déversement de contexte, la compression trop précoce, la mémoire obsolète, la surcharge d’outils, les changements d’état invisibles et l’absence de définition du travail terminé.
Modèle réutilisable
Tâche et décision suivante :
Réaliser [tâche]. La décision actuelle est [décision].
Définition du résultat :
- Livrable : [artefact ou action]
- Public : [personne ou équipe]
- Preuves : [sources ou champs]
- Critères : [qualité et format]
- Arrêter ou demander une validation lorsque : [risque ou limite]
Contexte comportemental : suivre [règles] ; ne pas [publier, envoyer, supprimer ou modifier] sans accord.
Contexte de preuve : utiliser [fichiers, extraits et liens] ; conserver les citations et les conflits.
Contexte opérationnel : outils [liste courte] ; permissions [lecture, brouillon, écriture, validation].
Continuité : état [étapes], décisions approuvées [journal], questions ouvertes [lacunes].
Retourner le résultat, les sources, les hypothèses, les contrôles échoués et la décision suivante.Démarrer avec une tâche délimitée
Essayez ce cadre sur un mémo, un brief, un rapport ou une présentation. Pour le modèle d’exécution, lisez Qu’est-ce qu’un workflow agentique ?. Pour la catégorie, consultez les meilleurs espaces de travail d’agents IA et le guide des assistants de recherche IA.
