Context Engineering: Dovednost, která rozhoduje o kvalitě AI-assisted vývoje

GitHub průběžně rozšiřuje nabídku levnějších modelů v Copilotu. OpenAI každý týden přináší rychlejší inferenci. Nové benchmarky přicházejí jeden za druhým. Ale po měsících budování AI-assisted workflows 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 softwarovém vývoji.

Prompt engineering byl o tom napsat dokonalou zprávu. Ladili jste instrukce, přidávali příklady, upravovali temperature. Fungovalo to — do určité míry.

Context engineering je zásadně odlišný. 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.

To znamená verzované kontextové soubory, které se vyvíjejí s vaším kódem. MCP (Model Context Protocol) servery, které propojují AI nástroje s vašimi reálnými systémy. A hlavně: přemýšlení 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 — dokument, který říká AI nástrojům, jak váš projekt funguje, jaké konvence dodržovat a čeho se vyvarovat. Používáme je ve všech našich projektech.

Ale je tu háček, který Miloš Halda, jenž s Cursorem co-authoroval přes 20 commitů na redesignu našeho webu, objevil na vlastní kůži:

Oprava je podle Miloše přímočará — aktualizace AGENTS.md je „na pár promptnutí." Ale hlubší insight je jiný: context engineering není jednorázové nastavení. Je to průběžná údržba, stejně jako jakákoliv jiná forma technické 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: oddělte trvalé inženýrské principy od vyvíjejícího se projektově specifického kontextu.

Někdy nemáte nad vstupem žádnou kontrolu. Jakub Vacek pracuje na průmyslovém AI klasifikačním systému, který zpracovává 40+ parametrů z dat zadaných uživatelem. Jeho zkušenost ukazuje extrémní závislost 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 buduje dynamický kontext z dat samotného uživatele a balancuje mezi relevancí a praktickým omezením velikosti kontextového okna.

Vzor je přenositelný. Ať už budujete klasifikační systém, kódového asistenta nebo interní nástroj, otázka je stejná: co model potřebuje vědět právě teď a jak to k němu dostat efektivně?

Pokud context engineering zní v teorii jednoduše, enterprise prostředí přidává vrstvy složitosti. Prokop popisuje aktuální stav:

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

Vzniká paradox: organizace, které by z AI-assisted vývoje profitovaly nejvíce, jsou často ty, které nejméně dokážou poskytnout kontext, díky kterému to funguje. Na spravovaných firemních zařízeních je často nemožné instalovat i CLI nástroje, které by mohly sloužit jako poskytovatelé kontextu.

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 vývojáře — je to architektonické rozhodnutí. Víc o tomhle tématu jsme napsali v poznámkách o stavbě MCP governance pro enterprise a na základě potřeb klientů jsme postavili náš produkt - MCP Gateway.

Existuje lákavý narativ, že AI nástroje demokratizují vývoj softwaru — že kdokoliv může s dobrými prompty vytvořit produkční software. Naše zkušenost říká něco jiného.

Prokop je v tom přímý:

AI nástroje zatím nevidí celý scope produkčního systému. Umí generovat kód, který funguje izolovaně, ale selhává v kontextu: chybí mu bezpečnostní implikace, omezení datové integrity nebo výkonnostní aspekty, které zkušený inženýr zachytí okamžitě.

To neznamená, že AI nástroje nejsou hodnotné pro juniornější vývojáře — bezesporu jsou. Ale znamená to, že kontext, který z AI nástrojů vytáhne produkční kvalitu, často pochází z inženýrské zkušenosti, kterou nejde zakódovat do promptu. Vědět, na co se ptát, vyžaduje 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 — nejen jeho aktuální stav — dělají lepší rozhodnutí. Prokopův postřeh o verzovaném kontextu umožňujícím agentům porozumět vývoji aplikace se už v praxi potvrzuje.

Hranice kontextu jsou stejně důležité jako kontext samotný. Zjednodušování, zmenšování a přesné předávání omezených informací, které agent v danou chvíli potřebuje, přináší dramaticky lepší výsledky než nahrnutí všeho do okna.

Daň za údržbu je reálná. Každý AGENTS.md soubor, každá konfigurace MCP serveru, každá RAG pipeline je kontext, který potřebuje zůstat aktuální. Týmy, které s kontextem zachází jako s infrastrukturou místo jednorázového nastavení, budou mít lepší výsledky.

Enterprise adopce vyžaduje governance. Nemůžete prostě připojit AI agenty ke všemu. Bezpečnostní, compliance a data quality výzvy, které Prokop popisuje, nezmizí — potřebují účelová řešení.

Pokud s context engineeringem začínáte, tady je, co doporučujeme na základě naší zkušenosti:

Začněte s trvalými principy. Nastavte AGENTS.md s inženýrskými standardy, které se nemění — konvence, architektonická rozhodnutí, požadavky na testování. To je váš základ.

S vyvíjejícím se kontextem zacházejte jako s dokumentačním dluhem. Pokud 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. Týmy s nejlepšími výsledky pečlivě vybírají, co model vidí — ne ty, které nahrnou všechno do okna.

Plánujte svou enterprise kontextovou strategii včas. Pokud jste v organizaci s compliance požadavky, nečekejte, až budete potřebovat MCP governance — začněte o tom 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.

Tento článek napsal AI asistent Lumír Sokol s přispěním týmu DX Heroes: Prokop Simek (spoluzakladatel), Miloš Halda (vývojář) a Jakub Vacek (vývojář). Jejich zkušenosti zahrnují enterprise AI poradenství, AI-assisted webový vývoj a průmyslové AI klasifikační systémy.