Context Engineering Is Changing. Here’s What It Means for Data Scientists

Context engineering is reshaping how data scientists interact with large language models, shifting focus from prompt engineering to structured context delivery. Anthropic recently released new guidelines for Claude 5 generation models, emphasizing that the collection of all sources LLMs use to answer queries—rather than isolated prompts—is now the primary driver of performance. For data scientists, this means moving beyond crafting the perfect input string and instead engineering a comprehensive set of documents, instruction files, and settings that agents can leverage.

Systems like Claude Code operate agentically, executing multiple API calls for reasoning and coding, making well-engineered context essential for reliable outputs. The guidelines provide a framework for organizing this context effectively, ensuring agents utilize provided information optimally. By adopting these new rules, data scientists can improve productivity and ensure their models work as intended, avoiding the frustration of wondering why a model is not performing correctly due to outdated interaction methods.

تقوم هندسة السياق بإعادة تشكيل كيفية تفاعل علماء البيانات مع نماذج اللغة الكبيرة، متحركة التركيز من هندسة الإطراءات إلى تسليم السياق المنظم. أنثروبيك أطلقت مؤخرًا إرشادات جديدة لنماذج جيل كلود 5، مؤكدة أن مجموعة جميع المصادر التي يستخدمها النماذج اللغوية الكبيرة للإجابة على الاستفسارات —بدلاً من الإطراءات المعزولة— أصبحت الآن المحرك الرئيسي للأداء. بالنسبة لعلماء البيانات، هذا يعني التخطيط فوق صياغة سلسلة الإدخال المثالية وبدلاً من ذلك، تصميم مجموعة شاملة من المستندات وملفات التعليمات والإعدادات التي يمكن للوكلاء الاستفادة منها. الأنظمة مثل كلود كود تعمل بشكل وكيل، تنفذ عدة استدعاءات API للاستدلال والبرمجة، مما يجعل السياق المهندس جيدًا ضروريًا لإخراج موثوق. توفر الإرشادات إطارًا لتنظيم هذا السياق بشكل فعال، مما يضمن استخدام الوكلاء للمعلومات المقدمة بشكل مثالي. من خلال اعتماد هذه القواعد الجديدة، يمكن لعلماء البيانات تحسين الإنتاجية وضمان عمل نماذجهم كما هو متوقع، تجنب الإحباط الناتج عن التساؤل لماذا النموذج لا يعمل بشكل صحيح بسبب طرق تفاعل قديمة.

কন্টেক্স্ট ইঞ্জিনিয়ারিং ডাটা বৈজ্ঞানিকদের বড় ভাষা মডেলগুলির সাথে যোগাযোগের পদ্ধতিকে পুনরায় আকার দিচ্ছে, প্রম্পট ইঞ্জিনিয়ারিং থেকে কাঠামোগত কন্টেক্স্ট প্রদানে মনোন্যায়ন স্থানান্তরিত করে। Anthropic সম্প্রতি Claude 5 প্রজন্ম মডেলগুলির জন্য নতুন নির্দেশিকা প্রকাশ করেছে, যা জোর দেয় যে LLMs যে সমস্ত উৎস ব্যবহার করে প্রশ্নের উত্তর দেয় —বিচ্ছিন্ন প্রম্পটের পরিবর্তে— এখন কর্মক্ষমতার প্রাথমিক চালক। ডাটা বৈজ্ঞানিকদের জন্য, এর অর্থ হল আদর্শ ইনপুট স্ট্রিং তৈরি করা ছাড়াও অতিক্রম করা এবং পরিবর্তে একটি ব্যাপক নথিপত্র, নির্দেশনা ফাইল এবং সেটিংস এর একটি সম্পূর্ণ নির্মাণ যা এজেন্টগুলি ব্যবহার করতে পারে। Claude Code এর মতো সিস্টেমগুলি এজেন্টিভভাবে কাজ করে, যুক্তি এবং কোডিংয়ের জন্য একাধিক API কল করে, যা কর্মক্ষম আউটপুটের জন্য ভালভাবে ডিজাইন করা কন্টেক্স্ট অপরিহার্য। এই নির্দেশিকাগুলি কন্টেক্স্টটি কার্যকরভাবে পরিষ্কর করার জন্য একটি ফ্রেমওয়ার্ক প্রদান করে, যা নিশ্চিত করে যে এজেন্টগুলি প্রদান করা তথ্যটি অপ্টিমালভাবে ব্যবহার করে। এই নতুন নিয়মগুলি অগ্রহণ করে, ডাটা বৈজ্ঞানিকরা তাদের উৎপাদনশীলতা বাড়াতে পারে এবং নিশ্চিত করতে পারে যে তাদের মডেলগুলি যেমন আশা করা হয় তেমন কাজ করে, পুরনো ইন্টার্যাকশন পদ্ধতির কারণে মডেলটি সঠিকভাবে কাজ করছে না তা নিয়ে হতাশ না হয়ে।

Kontext-Ingenieursprache verändert, wie Datenwissenschaftler mit großen Sprachmodellen interagieren, und verschiebt den Fokus von Prompt-Ingenieursprache auf strukturierte Kontextlieferung. Anthropic hat kürzlich neue Richtlinien für Claude 5-Generationsmodelle veröffentlicht und betont, dass die Sammlung aller Quellen, die LLMs verwenden, um Anfragen zu beantworten —anstelle isolierter Prompts— nun der Haupttreiber der Leistung ist. Für Datenwissenschaftler bedeutet dies, über das Erstellen des perfekten Eingabestrings hinauszugehen und stattdessen ein umfassendes Set von Dokumenten, Anweisungsdateien und Einstellungen zu entwerfen, die Agenten nutzen können.

Systeme wie Claude Code arbeiten agentisch, führen mehrere API-Aufrufe für Reasoning und Coding durch, was einen gut gestalteten Kontext für zuverlässige Ausgaben unerlässlich macht. Die Richtlinien bieten einen Rahmen für eine effektive Organisation dieses Kontexts und stellen sicher, dass Agenten die bereitgestellten Informationen optimal nutzen. Durch die Annahme dieser neuen Regeln können Datenwissenschaftler ihre Produktivität steigern und sicherstellen, dass ihre Modelle wie vorgesehen funktionieren, und die Frustration vermeiden, sich zu fragen, warum ein Modell aufgrund veralteter Interaktionsmethoden nicht richtig funktioniert.

La ingeniería de contexto está redefiniendo cómo los científicos de datos interactúan con modelos de lenguaje grandes, cambiando el enfoque de la ingeniería de prompts a la entrega de contexto estructurado. Anthropic publicó recientemente nuevas directrices para los modelos de la generación Claude 5, enfatizando que la colección de todas las fuentes que los LLMs utilizan para responder consultas —en lugar de prompts aislados— ahora es el principal impulsor del rendimiento. Para los científicos de datos, esto significa ir más allá de crear la cadena de entrada perfecta y, en su lugar, diseñar un conjunto completo de documentos, archivos de instrucciones y configuraciones que los agentes puedan aprovechar.

Sistemas como Claude Code operan de manera autónoma, realizando múltiples llamadas a la API para razonamiento y codificación, lo que hace esencial un contexto bien diseñado para obtener resultados confiables. Las directrices proporcionan un marco para organizar eficazmente este contexto, asegurando que los agentes utilicen la información proporcionada de manera óptima. Al adoptar estas nuevas reglas, los científicos de datos pueden mejorar su productividad y garantizar que sus modelos funcionen como se espera, evitando la frustración de preguntarse por qué un modelo no funciona correctamente debido a métodos de interacción obsoletos.

L'ingénierie de contexte redéfinit la manière dont les data scientists interagissent avec les grands modèles de langage, en passant de l'ingénierie de prompts à la livraison de contexte structuré. Anthropic a récemment publié de nouvelles directives pour les modèles de génération Claude 5, soulignant que la collecte de toutes les sources que les LLM utilisent pour répondre aux questions —plutôt que des prompts isolés— est désormais le principal moteur de la performance. Pour les data scientists, cela signifie aller au-delà de la création de la chaîne d'entrée parfaite et, au lieu de cela, concevoir un ensemble complet de documents, de fichiers d'instructions et de paramètres que les agents peuvent exploiter.

Des systèmes comme Claude Code fonctionnent de manière autonome, exécutant plusieurs appels API pour le raisonnement et la programmation, ce qui rend un contexte bien conçu essentiel pour des sorties fiables. Les directives fournissent un cadre pour organiser efficacement ce contexte, en veillant à ce que les agents utilisent les informations fournies de manière optimale. En adoptant ces nouvelles règles, les data scientists peuvent améliorer leur productivité et s'assurer que leurs modèles fonctionnent comme prévu, évitant la frustration de se demander pourquoi un modèle ne fonctionne pas correctement en raison de méthodes d'interaction obsolètes.

संदर्भ इंजीनियरिंग डेटा वैज्ञानिकों के बड़े भाषा मॉडल्स के साथ communication के तरीके को बदल रहा है, prompting इंजीनियरिंग से संरचित संदर्भ supply की ओर। Anthropic ने हाल ही में Claude 5 पीढ़ी मॉडल्स के लिए नई दिशानिर्देशें जारी कीं, जिनमें ज़ोर देकर कहा गया है कि LLMs द्वारा प्रश्नों के उत्तर देने के लिए उपयोग किए जाने वाले सभी स्रोतों का संग्रह —अलग-थलग prompts की बजाय— अब प्रदर्शन का प्राथमिक चालक है। डेटा वैज्ञानिकों के लिए, इसका मतलब है perfect इनपुट स्ट्रिंग बनाने से परे बढ़कर, एक व्यापक दस्तावेज़ों, निर्देश फ़ाइलों और सेटिंग्स के सेट का डिज़ाइन करना, जिनका एजेंट्स उपयोग कर सकते हैं। Claude Code जैसे सिस्टम agentically चलाते हैं, reasoning और coding के लिए कई API कॉल करते हैं, जिससे सुविधाजनक आउटपुट के लिए अच्छी तरह से डिज़ाइनेड संदर्भ आवश्यक होता है। इन दिशानिर्देशों के प्रदान करने वाले ढांचे से इन संदर्भों को प्रभावी ढंग से व्यवस्थित करने की संभवना है, यह सure करते हुए कि एजेंट्स प्रदान किए गए जानकारी का उपयोग अनुकूल ढंग से करें। इन नई नियमों को अपनाने से डेटा वैज्ञानिकों की उत्पादकता में सुधार हो सकता है और यह सure किया जा सकता है कि उनके मॉडल जैसे अपेक्षित काम करें, बिना इस बात के परेशान होने के कि एक मॉडल outdated interaction methods के कारण सही ढंग से काम नहीं कर रहा है।

Rekayasa konteks sedang mengubah cara ilmuwan data berinteraksi dengan model bahasa besar, beralih fokus dari rekayasa prompt ke pengiriman konteks terstruktur. Anthropic baru-baru ini merilis panduan baru untuk model generasi Claude 5, menekankan bahwa kumpulan semua sumber yang digunakan LLMs untuk menjawab pertanyaan —bukan prompt yang terpisah— kini menjadi penggerak utama kinerja. Bagi ilmuwan data, ini berarti melampaui membuat string masukan yang sempurna dan sebaliknya, merancang seperangkat dokumen, berkas instruksi, dan pengaturan yang dapat dimanfaatkan oleh agen.

Sistem seperti Claude Code beroperasi secara agentic, menjalankan beberapa panggilan API untuk penalaran dan pengkodean, menjadikan konteks yang dirancang dengan baik penting untuk keluaran yang dapat diandalkan. Panduan ini menyediakan kerangka kerja untuk mengorganisir konteks ini secara efektif, memastikan agen memanfaatkan informasi yang disediakan secara optimal. Dengan mengadopsi aturan baru ini, ilmuwan data dapat meningkatkan produktivitas dan memastikan model mereka berfungsi sebagaimana diharapkan, menghindari frustasi dari bertanya-tanya mengapa model tidak berfungsi dengan benar akibat metode interaksi yang sudah usang.

コンテキストエンジニアリングは、データサイエンティストが大規模言語モデルとやり取りする方法を変革し、プロンプトエンジニアリングから構造化されたコンテキストの提供へと焦点を移しています。 Anthropic は最近、Claude 5 世代モデル向けの新しいガイドラインをリリースしました。これらのガイドラインでは、LLMs がクエリに回答するために使用するすべてのソースの収集 —孤立したプロンプトではなく— が現在パフォーマンスの主要な推進因子であることを強調しています。 データサイエンティストにとって、これは完璧な入力文字列を作成することを超え、エージェントが活用できる包括的なドキュメント、命令ファイル、設定のセットを設計することを意味します。 Claude Code のようなシステムはエージェント的に動作し、推論とコーディングのために複数の API 呼び出しを実行するため、信頼性の高い出力には適切に設計されたコンテキストが不可欠です。 これらのガイドラインは、このコンテキストを効果的に整理するためのフレームワークを提供し、エージェントが提供された情報を最適に活用できるようにします。 これらの新しいルールを採用することで、データサエンティストは生産性を向上させ、モデルが意図した通りに動作するようにし、古いやり方でモデルが正しく動作しない理由に悩むというフラストレーションを回避できます。

A engenharia de contexto está redefinindo como os cientistas de dados interagem com grandes modelos de linguagem, mudando o foco da engenharia de prompts para a entrega de contexto estruturado. A Anthropic lançou recentemente novas diretrizes para modelos da geração Claude 5, enfatizando que a coleção de todas as fontes que os LLMs usam para responder às consultas —em vez de prompts isolados— agora é o principal impulsionador do desempenho. Para cientistas de dados, isso significa ir além de criar a string de entrada perfeita e, em vez disso, projetar um conjunto abrangente de documentos, arquivos de instruções e configurações que os agentes podem utilizar.

Sistemas como Claude Code operam de forma autônoma, executando múltiplas chamadas de API para raciocínio e codificação, tornando um contexto bem projetado essencial para saídas confiáveis. As diretrizes fornecem um quadro para organizar efetivamente esse contexto, garantindo que os agentes utilizem as informações fornecidas de forma ótima. Ao adotar essas novas regras, os cientistas de dados podem melhorar a produtividade e garantir que seus modelos funcionem como o esperado, evitando a frustração de se perguntar por que um modelo não está funcionando corretamente devido a métodos de interação desatualizados.

Инженерия контекста меняет способ взаимодействия специалистов по данным с большими языковыми моделями, переключая фокус с инженерии промптов на структурированную передачу контекста. Anthropic недавно выпустила новые рекомендации для моделей пятого поколения Claude 5, подчеркивая, что совокупность всех источников, которые используют LLM для ответа на запросы —вместо изолированных промптов— теперь является основным драйвером производительности. Для специалистов по данным это означает, что нужно выйти за рамки создания идеальной строки ввода и, вместо этого, спроектировать полный набор документов, файлов инструкций и настроек, которые могут использовать агенты. Системы, такие как Claude Code, работают агентно, выполняя несколько вызовов API для рассуждений и кодирования, что делает хорошо спроектированный контекст необходимым для надежных результатов. Руководство предоставляет структуру для эффективной организации этого контекста, обеспечивая оптимальное использование агентами предоставленной информации. При adopting этих новых правил специалисты по данным могут повысить производительность и обеспечить, чтобы их модели работали так, как задумано, избегая разочарования от того, что модель не работает правильно из-за устаревших методов взаимодействия.

上下文工程正在改变数据科学家与大型语言模型的交互方式，将焦点从提示工程转移到结构化上下文传递上。 Anthropic 近期发布了针对 Claude 5 系列模型的新指南，强调 LLMs 用于回答查询所依据的所有来源集合——而非孤立的提示——现在是性能的主要驱动因素。 对于数据科学家来说，这意味着需要超越 crafting 完美的输入字符串，而是构建一套全面的文档、指令文件和设置，供代理利用。 像 Claude Code 这样的系统以代理方式运行，执行多次 API 调用进行推理和编码，使精心设计的上下文对于可靠输出至关重要。 这些指南提供了一个有效组织这些上下文的框架，确保代理最佳地利用所提供的信息。 通过采用这些新规则，数据科学家可以提高生产力并确保模型按预期运行，避免因使用过时的方法而感到困惑， wondering why a model is not performing correctly due to outdated interaction methods.