Context engineering: de vaardigheid die bepaalt hoe goed jouw AI-agent presteert
AI-agents worden alsmaar krachtiger. Toch zien veel teams dat hun agent na een tijdje fouten begint te maken, instructies vergeet of code produceert die nergens op slaat. In essentie zijn hier twee mogelijke oorzaken: het model functioneert niet goed genoeg, of de voorziene context is niet optimaal. De eerste oorzaak ligt meestal buiten jouw controle, de tweede niet, en in de praktijk is het ook meestal de context die het probleem is.
Dat is precies waar context engineering het verschil maakt.
Wat is context engineering?
Context engineering is de discipline van het aanleveren van precies de juiste informatie aan een AI-agent voor de volgende stap, niet meer, niet minder.
Het verschilt van prompt engineering. Prompt engineering gaat over het formuleren van één goede vraag. Context engineering gaat over het actief beheren van alles wat een agent weet gedurende een hele werksessie: systeeminstructies, geheugenbestanden, toolbeschrijvingen, gesprekshistoriek en externe databronnen.
De context window van een modern model bedraagt doorgaans 200.000 tokens. Dat klinkt als veel, tot je beseft hoe snel die opvult.
Het "Dumb Zone"-probleem
Elke token die je toevoegt aan de context, is een token minder voor redenering. Wanneer een sessie vordert en de context window zich vult met gesprekshistoriek, tool-aanroepen en antwoorden, daalt de kwaliteit van de output merkbaar.
Eens je de 40%-drempel overschrijdt, beland je in wat we de "Dumb Zone" noemen. Het model begint vroegere instructies te vergeten, haalt informatie incorrect op en produceert hallucinaties. Het gevolg: bugs, technische schuld en een dalend vertrouwen in de tool.
Het is geen harde grens, maar een gevoel dat breed gedeeld wordt onder ontwikkelaars, de kwaliteit begint merkbaar te dalen vanaf dit punt.
Dit is geen theoretisch probleem. Het is iets dat elke developer tegenkomt zodra ze serieus aan de slag gaan met AI-agents.
Actief contextbeheer: /clear, /compact en /context
De eerste verdedigingslinie is het bewust beheren van je sessie met drie basiscommando's:
Dit zijn claude code commando's, maar conceptueel hebben de meeste coding agents dezelfde of gelijkaardige mogelijkheden
/clear
Gebruik dit bij de start van elk nieuw user story. Het wist irrelevante gesprekshistoriek volledig.
/compact
Gebruik dit bij de overgang tussen subtaken. Het comprimeert de vorige sessie tot een strategische samenvatting: de essentie blijft, de tokenkosten niet.
/context
Gebruik dit regelmatig om het actuele tokenverbruik te monitoren en de 40%-grens in de gaten te houden.
Maar manueel contextbeheer is slechts het begin. De echte kracht zit in een modulaire architectuur.
De bouwblokken: subagents, skills en MCPs
Subagents zijn aparte AI-instanties met een eigen, frisse context window. In plaats van één agent te belasten met onderzoek, planning én implementatie, delegeer je die taken aan gespecialiseerde subagents. De hoofdagent ontvangt enkel de eindconclusie, zijn context blijft schoon en gefocust. Subagents zijn dus in de eerste plaats een instrument voor contextbeheer, niet voor teamroleplay.
Skills zijn herbruikbare Markdown-instructiebestanden die specifieke kennis of standaarden vastleggen: een stijlgids, testconventies, foutafhandeling. Ze zorgen voor consistentie doorheen het hele project, zonder dat je telkens opnieuw dezelfde instructies moet meegeven.
MCPs (Model Context Protocol) verbinden de agent met externe databronnen en tools zoals GitHub, Jira of interne systemen. Let wel: MCPs zijn token-zwaar. De GitHub MCP alleen al verbruikt zo'n 48.000 tokens, waarmee je meteen tegen de 40%-grens aanloopt. Moderne tools zoals Claude Code lossen dit op via Dynamic Tool Search: enkel de tools die nodig zijn voor de huidige taak worden ingeladen, in plaats van de volledige catalogus upfront.
De RPI-workflow: Research, Plan, Implement
De meest impactvolle manier om context engineering in de praktijk te brengen, is het RPI-framework. Het voorkomt wat we "AI Slop" noemen: een opeenstapeling van redundante of kwalitatief ondermaatse code die ontstaat wanneer een agent zonder structuur te werk gaat.
Research
Een subagent analyseert de codebase in een aparte context window. Geen code nog. Enkel begrip opbouwen zonder de hoofdsessie te vervuilen met duizenden regels geanalyseerde bestanden.
Plan
De agent stelt een gedetailleerd implementatieplan op. Dit is het kritieke reviewmoment de developer valideert het plan vóór er ook maar één lijn code wordt geschreven. Een fout in het plan corrigeren kost minuten. Diezelfde fout ontdekken na implementatie kost uren.
Implement
Pas wanneer het plan goedgekeurd is, gaat de agent aan de slag.
De logica is hard: een fout van 10% in de research-fase leidt doorgaans tot 100% mislukking in de implementatie. Wie de volgorde respecteert, vermijdt het sneeuwbaleffect van AI-fouten.
Claude Code start tegenwoordig bij bepaalde taken automatisch subagents op voor verkenning en planning. Een stukje context engineering dat je dus niet meer zelf hoeft te regisseren. Wil je meer controle over hoe die fases verlopen, dan kan je alsnog je eigen subagents bouwen met specifiekere instructies.
Context engineering als kernvaardigheid
Context engineering is geen luxe voor power users, het is een fundamentele vaardigheid voor iedereen die AI-agents structureel inzet in een professionele omgeving. De teams die dit beheersen, bouwen sneller, bouwen beter en houden de controle.