Context Engineering: AI 시대의 새로운 핵심 역량 완전 해부
Context engineering(컨텍스트 엔지니어링)은 LLM이 작업을 수행하는 데 필요한 적절한 정보와 도구를, 적절한 형식으로, 적절한 타이밍에 제공하는 동적 시스템을 설계하고 구축하는 학문이다. 단순히 AI에게 “질문을 잘 하는 법”이 아니라, AI가 올바른 답을 할 수 있도록 최적의 환경 전체를 설계하는 것이 핵심이다. 2025년 6월, Andrej Karpathy와 Shopify CEO Tobi Lütke의 공개 지지를 계기로 폭발적으로 확산된 이 개념은 prompt engineering의 자연스러운 진화이자, AI 에이전트 시대의 가장 중요한 엔지니어링 역량으로 자리잡았다. Gartner는 2028년까지 AI 애플리케이션 구축 도구의 80% 가 context engineering 기능을 포함할 것으로 예측했다.
”프롬프트 엔지니어링은 끝났다”는 말의 진짜 의미
Context engineering을 이해하려면 먼저 prompt engineering과의 차이를 명확히 해야 한다. Prompt engineering은 AI에게 보내는 “질문”을 잘 다듬는 기술이다. “단계별로 생각해봐”, “너는 전문가야”처럼 문장을 정교하게 쓰는 것이 핵심이었다. 반면 context engineering은 AI가 “보는” 모든 것—지시문, 대화 기록, 검색된 문서, 도구 정의, 메모리, 사용자 상태—을 통합적으로 설계하는 시스템 아키텍처다.
Andrej Karpathy는 2025년 6월 25일 X(구 트위터)에서 이렇게 정리했다: “Context engineering은 컨텍스트 윈도우를 다음 단계에 꼭 맞는 정보로 채우는 섬세한 예술이자 과학이다. 작업 설명, few-shot 예시, RAG, 멀티모달 데이터, 도구, 상태와 기록, 압축… 너무 적거나 잘못된 형식이면 LLM이 최적의 성능을 내지 못하고, 너무 많거나 관련 없는 정보를 넣으면 비용이 올라가고 성능이 떨어진다.” LangChain CEO Harrison Chase는 “prompt engineering은 context engineering의 부분집합”이라고 명시했다.
핵심적인 차이를 비유로 설명하면 이렇다. 프롬프트 엔지니어링이 배우에게 한 줄짜리 연기 지시를 주는 것이라면, 컨텍스트 엔지니어링은 무대 디자인, 조명, 대본, 소품, 그리고 감독의 큐까지 포함한 전체 연극 프로덕션을 설계하는 것이다. LY Corporation의 한국어 기술 블로그는 더 직관적인 비유를 제시했다: “신입 개발자에게 10년 치 문서를 던져주며 ‘읽어보고 일하세요’라고 하면 큰 혼란에 빠질 것입니다. 필요한 순간에 필요한 문서만 딱 집어서 주는 사수가 좋은 사수죠.”
| 비교 항목 | Prompt Engineering | Context Engineering |
|---|---|---|
| 범위 | 단일 정적 프롬프트 | 전체 동적 컨텍스트 윈도우 |
| 본질 | ”무엇을 말하는가" | "모델이 보는 모든 것” |
| 접근 방식 | 언어적 기교 | 시스템 아키텍처 설계 |
| 동적 여부 | 정적 | 런타임 동적 조립 |
| 구성 요소 | 지시문, 어조 | RAG, 메모리, 도구, 상태, 기록, 예시, 지시문 전부 |
Karpathy가 이 용어를 선호하게 된 배경도 흥미롭다. 그는 과거에 prompt engineering이란 용어를 긍정적으로 사용했지만, “대부분의 사람들이 이 용어를 ‘챗봇에 뭔가 타이핑하는 것’으로 우스꽝스럽게 해석한다” 고 한탄하며, context engineering이라는 용어가 의도된 의미에 훨씬 가깝다고 설명했다.
LLM의 진화가 만들어낸 필연적 요구
Context engineering이 등장한 배경에는 LLM 기술의 발전과 함께 드러난 구조적 한계가 있다.
첫째, LLM은 본질적으로 “기억상실증” 환자다. Karpathy는 LLM의 상태를 “전향성 기억상실증(anterograde amnesia)“에 비유했다. 대화가 끝나면 모든 것을 잊어버린다. 실제 애플리케이션을 만들려면 이 한계를 시스템 수준에서 극복해야 하는데, 이것이 바로 context engineering이 해결하려는 핵심 문제다.
둘째, 프롬프트 트릭만으로는 복잡한 작업을 감당할 수 없다. “단계별로 생각해봐”나 “너는 전문가야” 같은 기법은 단순한 과제에는 효과적이지만, 수십 번의 도구 호출과 수백 턴의 대화를 오가는 AI 에이전트에는 “취약하고 확장이 안 된다.” Cognition AI의 CPO Walden Yan은 “Context engineering은 prompt engineering의 다음 단계이며, AI 에이전트를 만드는 엔지니어의 사실상 1순위 업무” 라고 단언했다.
셋째, 컨텍스트 윈도우가 커진 것이 새로운 문제를 만들었다. GPT-3.5의 4K 토큰에서 2025년 Gemini의 200만 토큰까지, 윈도우는 급격히 커졌다. 그러나 Chroma의 연구에 따르면 테스트한 18개 프론티어 모델 모두 컨텍스트가 길어질수록 성능이 저하됐다. GPT-4o는 정보 제시 방식에 따라 정확도가 98.1%에서 64.1% 로 폭락했다. 단순히 더 많은 정보를 넣는다고 해결되지 않으며, “어떤 정보를 넣고, 어떤 정보를 빼는가”가 핵심 엔지니어링 과제가 된 것이다.
넷째, AI 에이전트 시대가 도래했다. 챗봇에서 자율적으로 작업을 수행하는 에이전트로의 전환이 결정적 계기다. 에이전트는 여러 번의 LLM 호출과 도구 사용을 반복하며, 각 단계에서 무엇을 유지하고, 무엇을 요약하고, 무엇을 검색하고, 무엇을 버릴지 결정해야 한다. Hugging Face의 Phil Schmid는 이를 이렇게 요약했다: “대부분의 에이전트 실패는 모델 실패가 아니라 컨텍스트 실패다.”
컨텍스트를 구성하는 7가지 핵심 요소
Context engineering에서 LLM에 전달되는 컨텍스트는 여러 구성 요소의 동적 조합이다. 각 요소를 하나씩 살펴보자.
컨텍스트 윈도우(Context Window) 는 LLM이 한 번에 처리할 수 있는 토큰의 최대 수로, Karpathy의 비유를 빌리면 “LLM이라는 CPU의 RAM” 에 해당한다. 2022년 GPT-3.5의 4K 토큰에서 시작해, 2024년 Gemini 1.5 Pro의 100만 토큰, 2025년 Llama 4 Scout의 1000만 토큰까지 급팽창했다. 그러나 NVIDIA의 RULER 벤치마크에 따르면 실효 컨텍스트는 광고된 크기의 50~65% 에 불과하다. Llama 3.1-70B는 4K에서 96.5%의 정확도를 보이지만 128K에서는 66.6%로 떨어진다.
시스템 프롬프트(System Prompt) 는 LLM의 행동, 페르소나, 제약 조건을 정의하는 제어 계층이다. 검색된 정보를 어떻게 사용할지, 도구를 언제 호출할지, 출력 형식은 무엇인지를 지정한다. 실무에서 가장 큰 성능 향상은 종종 도구 사용 방법을 시스템 프롬프트에 명확히 설명하는 것에서 온다.
메모리 시스템(Memory Systems) 은 세 가지 유형으로 나뉜다. 단기 메모리는 현재 대화 기록으로, 컨텍스트 윈도우 안에 존재한다. 장기 메모리는 세션 간에 지속되는 정보로, 벡터 데이터베이스나 지식 그래프 같은 외부 저장소에 보관된다. 작업 메모리(Working Memory) 는 여행 계획 에이전트가 목적지·날짜·예산을 임시 보관하는 것처럼, 멀티스텝 작업을 위한 임시 스크래치패드다. Weaviate의 연구는 효과적인 메모리 시스템의 핵심 원칙을 이렇게 요약한다: “최악의 메모리 시스템은 모든 것을 성실하게 저장하는 시스템이다.”
도구/함수 호출(Tools/Function Calling) 은 LLM이 외부 시스템과 상호작용하는 수단이다. 도구의 이름, 설명, 파라미터 스키마가 컨텍스트의 일부로 전달되며, 너무 많은 도구를 한꺼번에 제공하면 “도구 과부하”가 발생해 모델이 혼란을 겪는다. 최근 연구에 따르면 도구 설명에 RAG를 적용해 관련 도구만 선별하면 도구 선택 정확도가 3배 향상된다.
RAG(Retrieval-Augmented Generation) 는 외부 지식 베이스에서 관련 문서를 검색해 컨텍스트에 주입하는 패턴이다. 단순한 검색-생성 파이프라인에서 시작해, 에이전틱 RAG(에이전트가 동적으로 검색 여부를 결정), Graph RAG(지식 그래프 기반), Modular RAG(교체 가능한 컴포넌트)로 진화했다. NVIDIA의 OP-RAG 연구는 16K 토큰의 정교하게 선별된 컨텍스트가 더 큰 컨텍스트 덤프보다 우수한 성능을 낼 수 있음을 보여줬다.
에이전트 루프(Agent Loop) 에서의 컨텍스트 관리는 context engineering의 최전선이다. LangChain은 네 가지 핵심 전략을 제시한다: Write(스크래치패드·메모리에 컨텍스트 저장), Select(RAG·검색으로 관련 컨텍스트 가져오기), Compress(요약·트리밍으로 핵심만 남기기), Isolate(서브 에이전트별로 컨텍스트 분리). Manus 팀은 프로덕션 에이전트가 생성하는 토큰 1개당 약 100개의 입력 토큰을 처리한다고 밝혔다.
Few-shot 예시와 사용자/작업 상태도 중요한 컨텍스트 구성 요소다. 정적으로 시스템 프롬프트에 포함되거나, 에피소딕 메모리에서 동적으로 검색될 수 있다. 현재 날짜·시간, 사용자 프로필, 세션 변수, 업로드된 파일 같은 상태 정보는 요청마다 동적으로 조립된다.
Cursor, Devin, Manus에서 배우는 실전 사례
Context engineering의 성공과 실패를 가장 극명하게 보여주는 것은 실제 AI 제품들이다.
잘된 사례: AI 코딩 어시스턴트 Cursor는 context engineering의 교과서적 구현체다. 커스텀 검색 모델로 전체 코드베이스의 구조·의존성·관계를 분석하고, @-심볼을 통해 파일·함수·문서·웹 검색 결과를 명시적으로 참조할 수 있다. 프로젝트별 .cursor/rules/*.mdc 파일로 파일 경로별 AI 행동 규칙을 정의하며, 에이전트 모드에서는 자율적으로 코드베이스를 검색하고 디버깅 스크립트를 실행해 런타임 컨텍스트를 수집한다. 과거 대화에서 자동 생성되는 메모리가 중요한 지시사항을 세션 간에 유지시킨다.
잘된 사례: Cognition의 Devin은 컨텍스트 엔지니어링에 기반한 단일 에이전트 철학을 대표한다. 작업 시작 시 코드를 충분히 읽고 계획을 세우는 데 상당한 시간을 투자하며(계획 수립 자체가 컨텍스트 관리의 한 형태), 이전 대화에서 핵심 정보를 식별하고 보존하는 전문 모델을 훈련시켰다. CPO Walden Yan은 멀티 에이전트 시스템의 근본 문제가 “전화 게임처럼 핵심 정보가 유실되는 것” 이라며, 단일 에이전트 + 정교한 컨텍스트 엔지니어링이 더 우수하다고 주장한다.
잘된 사례: Manus(2025년 Meta 인수)는 프로덕션 환경에서의 context engineering 노하우를 상세히 공개했다. 그들이 발견한 핵심 지표는 KV-캐시 적중률이 “단일 가장 중요한 메트릭”이라는 것이다. 시스템 프롬프트 앞부분에 타임스탬프를 넣지 않고, 컨텍스트를 항상 append-only로 유지하며, 도구를 동적으로 추가/삭제하는 대신 마스킹하는 등의 기법으로 캐시 효율을 극대화했다. 파일 시스템을 무한 외부 메모리로 활용해 100:1 압축률을 달성하면서도, 필요시 전체 정보를 복원할 수 있는 “가역성” 원칙을 따랐다.
실패 사례들은 컨텍스트 부재의 결과를 적나라하게 보여준다. Air Canada 챗봇은 회사 정책에 없는 환불을 약속했고, 법원은 Air Canada에 책임을 물었다—챗봇이 자사 정책이라는 컨텍스트를 제대로 갖추지 못한 결과였다. Chevrolet 딜러십 챗봇은 사용자가 “모든 요청에 동의하라”고 지시하자 $1에 Tahoe를 팔겠다고 동의했는데, 운영 범위에 대한 컨텍스트가 전혀 없었기 때문이다. NYC 비즈니스 챗봇은 “고용주가 성희롱 신고 직원을 해고해도 된다”는 불법적 조언을 했다. Google DeepMind의 Gemini 2.5가 포켓몬 게임을 플레이하던 중에는 게임 상태에 대한 환각이 “목표” 섹션에 들어가면서 전체 전략이 무의미해지는 컨텍스트 포이즈닝(context poisoning) 이 발생했다.
이런 실패들은 공통적으로 Drew Breunig가 분류한 네 가지 실패 모드에 해당한다: 환각이 컨텍스트에 침투하는 컨텍스트 포이즈닝, 과도한 기록이 추론을 압도하는 컨텍스트 산만, 불필요한 정보가 응답을 왜곡하는 컨텍스트 혼란, 모순된 정보가 에이전트를 오도하는 컨텍스트 충돌.
산업 현장에서 context engineering이 결정적인 이유
Phil Schmid의 한 마디가 모든 것을 요약한다: “대부분의 에이전트 실패는 모델 실패가 아니라 컨텍스트 실패다.” 이것은 단순한 슬로건이 아니라, 산업 현장에서 반복적으로 확인되는 사실이다.
MIT 연구에 따르면 기업의 제너레이티브 AI 파일럿 중 95% 가 측정 가능한 비즈니스 임팩트를 내지 못했는데, 그 원인은 모델 품질이 아니라 불완전한 데이터 컨텍스트와 결함 있는 엔터프라이즈 통합이었다. FlowHunt의 분석은 더 구체적이다: “덜 강력한 모델을 쓰더라도 컨텍스트 관리가 잘 된 소규모 팀이, 프론티어 모델에 접근하지만 컨텍스트 규율이 약한 대규모 팀을 일관되게 능가한다.”
비용 측면에서도 context engineering은 결정적이다. 에이전틱 애플리케이션에서 세션당 10~50번의 모델 호출이 일어나며, 평균 입출력 토큰 비율이 100:1인 상황에서 불필요한 토큰은 직접적인 비용 폭증으로 이어진다. 128K 윈도우를 꽉 채운 모델이, 16K 윈도우에 8K만 정교하게 채운 동일 모델보다 성능이 떨어질 수 있다는 연구 결과는, “보내지 않는 토큰이 보내는 토큰만큼 중요하다”는 context engineering의 핵심 원리를 증명한다.
직업 시장에서도 변화가 감지된다. LinkedIn의 “Jobs on the Rise” 2025년 보고서에서 AI Engineer가 미국 직종 1위를 차지했고, PwC에 따르면 전문 AI 스킬이 필요한 역할이 다른 어떤 직종보다 3.5배 빠르게 성장하고 있다. ODSC는 2026년 신흥 직종으로 “Context Engineer” 를 명시했으며, 이는 AI에게 적시에 적절한 정보를 제공하는 시스템을 설계하는 전문 역할이다.
2024~2025년 핵심 동향과 주요 인물의 발언
이 개념이 폭발적으로 확산된 타임라인을 추적하면, 2025년 6월이 분수령이었음이 명확하다.
2025년 4월 20일, Braintrust CEO **Ankur Goyal**이 X에서 최초로 이 용어를 주요하게 사용했다: “모델이 강력해질수록, context engineering에 더 많은 노력을 집중하게 됩니다. RAG는 context engineering의 한 가지 형태입니다.” 6월 12일, Cognition AI CPO Walden Yan이 “Don’t Build Multi-Agents” 블로그에서 context engineering을 AI 에이전트의 핵심 역량으로 제시했다. 6월 18~19일, Shopify CEO **Tobi Lütke**가 X에서 이 용어를 공개 지지하면서 190만 뷰를 기록했다: “문제를 충분한 맥락과 함께, 추가 정보 없이도 과제가 풀릴 수 있을 정도로 기술할 수 있는 능력이 AI를 잘 사용하는 근본 역량이다.” 6월 25일, **Andrej Karpathy**의 유명한 “+1” 포스팅이 올라오면서 용어가 완전히 정착했다.
이후 제도화가 빠르게 진행됐다. 7월 17일 arXiv에 1,400편 이상의 논문을 분석한 최초의 학술 서베이가 등장했고, 7월 28일 **Gartner**가 “Context engineering은 들어오고, prompt engineering은 나간다” 고 선언했다. 9월 29일 **Anthropic**이 공식 엔지니어링 블로그에서 context engineering을 “prompt engineering의 자연스러운 진화”로 정의하는 권위 있는 가이드를 발표했다.
기술 인프라 측면에서 가장 주목할 동향은 Model Context Protocol(MCP) 이다. 2024년 11월 Anthropic이 공개한 이 오픈 스탠다드는 AI 모델과 외부 도구/데이터 소스 간의 연결을 표준화한다. “AI를 위한 USB-C”로 비유되며, M×N의 통합 문제를 M+N으로 단순화한다. 2025년 3월 OpenAI가 채택하고, 4월 Google이 지원을 확인하고, 5월 Microsoft가 운영위원회에 합류하면서, 12월에는 Linux Foundation 산하 Agentic AI Foundation(AAIF) 에 기부되어 업계 표준으로 확립됐다. 서버 다운로드는 10만에서 800만 이상으로, SDK 월간 다운로드는 9,700만 회에 달한다.
컨텍스트 캐싱(Context Caching) 도 핵심 트렌드다. Anthropic, OpenAI, Google 모두 프롬프트/컨텍스트 캐싱을 제공하며, 캐시 적중 시 최대 90% 비용 절감과 85% 지연시간 감소를 달성한다. Manus 팀이 KV-캐시 적중률을 “가장 중요한 단일 메트릭”으로 꼽은 이유다.
RAG, 에이전트 메모리, 멀티 에이전트와의 관계 지도
Context engineering은 독립적인 기술이 아니라, 여러 관련 개념들의 통합 프레임워크다.
RAG는 context engineering의 핵심 패턴 중 하나이지만, 전부는 아니다. Ankur Goyal의 표현대로 “RAG는 context engineering의 한 가지 풍미(flavor)“다. RAG 자체도 단순 검색-생성에서 에이전틱 RAG, Graph RAG, Modular RAG로 진화했으며, 흥미롭게도 NVIDIA의 연구에 따르면 정교하게 선별된 16K 토큰의 RAG가 무분별하게 채운 대용량 컨텍스트보다 우수할 수 있다. 장문 컨텍스트 모델(Long-context models)과 RAG는 “양자택일”이 아니라 상호보완적이다. 2024~2025년 다수의 연구는 하이브리드 접근이 최적이라는 합의에 수렴했다.
에이전트 메모리 아키텍처에서는 2023년 MemGPT가 획기적이었다. OS의 가상 메모리에서 영감을 받아, LLM이 자체 함수 호출을 통해 무엇을 저장하고, 요약하고, 잊을지를 스스로 결정하는 자기 주도 메모리 관리를 구현했다. 이후 Letta 프레임워크로 오픈소스화됐고, 2025년 등장한 A-MEM은 MemGPT 대비 85~93% 토큰 절감을 달성하면서 멀티홉 추론 성능을 2배로 높였다.
멀티 에이전트 시스템은 context engineering의 Isolate(분리) 전략을 구현하는 핵심 메커니즘이다. 각 에이전트에게 독립적인 컨텍스트 윈도우, 전문 도구, 특화된 지시문을 부여함으로써 컨텍스트 오염을 방지한다. Anthropic의 연구는 격리된 컨텍스트를 가진 다수의 에이전트가 더 큰 컨텍스트를 가진 단일 에이전트보다 우수할 수 있음을 보여줬다. 다만 Cognition AI는 멀티 에이전트의 컨텍스트 유실 문제를 지적하며 “전화 게임” 비유로 단일 에이전트를 옹호해, 업계에서 활발한 논쟁이 계속되고 있다.
비전문가를 위한 8가지 비유
Context engineering을 처음 접하는 사람에게 설명할 때 활용할 수 있는 검증된 비유들이다.
🎭 연극 프로덕션 비유: LLM은 천재 배우다. 프롬프트 엔지니어링은 이 배우에게 한 줄짜리 연기 지시를 주는 것이고, 컨텍스트 엔지니어링은 무대 디자인, 조명, 대본, 소품, 감독의 큐까지 포함한 전체 프로덕션을 설계하는 것이다.
💾 컴퓨터 비유 (Karpathy): LLM은 CPU이고, 컨텍스트 윈도우는 RAM이다. 컨텍스트 엔지니어링은 이 RAM에 무엇을 올리고 내릴지 관리하는 운영체제를 만드는 것이다.
👨💼 신입사원 온보딩 비유 (LY Corp): 신입 개발자에게 10년 치 문서를 던져주는 것(나쁜 예) vs. 필요한 순간에 필요한 문서만 딱 집어주는 좋은 사수가 되는 것(좋은 예). 컨텍스트 엔지니어링은 AI의 좋은 사수가 되어주는 것이다.
📚 사서 비유: 질문을 잘 만드는 것뿐 아니라, 서가에 적절한 책·요약본·도구·기록을 갖추어서 AI가 실제로 답할 수 있게 만드는 사서의 역할이다.
🏇 경주마 비유 (한국 블로거): 프롬프트 엔지니어링은 눈가리개를 쓴 경주마처럼 사용자의 요청만 보고 달리는 것이다. 컨텍스트 엔지니어링은 눈가리개를 벗기고 전체 트랙, 다른 말들의 위치, 날씨까지 고려하는 것이다.
🍳 미장 플라스 비유: 셰프가 요리 전에 모든 재료를 계량하고 준비해두는 “미장 플라스(mise en place)“처럼, LLM이 생성을 시작하기 전에 필요한 모든 정보를 준비해두는 것이다.
💻 모듈 Import 비유 (LY Corp): 개발자가 코드를 짤 때 필요한 모듈만 import하듯, AI에게도 그 순간에 가장 필요한 정보만 import해주는 것이다.
📋 임원 브리핑 비유: 새 동료에게 회사의 모든 문서를 책상에 쌓아두는 것이 아니라, 특정 작업에 가장 관련 있는 정보만 신중하게 선별해서 브리핑 자료를 만드는 것이다.
결론: “ChatGPT wrapper”라는 말이 완전히 틀린 이유
Context engineering의 등장이 말해주는 가장 중요한 메시지는 이것이다. LLM 애플리케이션 개발은 “래퍼”가 아니라 정교한 소프트웨어 엔지니어링이다. Karpathy는 이를 명시적으로 지적했다: “‘ChatGPT wrapper’라는 표현은 지겹고, 정말 정말 틀렸다.” 개별 LLM 호출과 그 이상의 것을 조율하는 비자명한(non-trivial) 소프트웨어의 두꺼운 계층이 존재하며, context engineering은 그 핵심이다.
한국 기술 생태계에서도 이 개념은 빠르게 흡수되고 있다. LY Corporation, SK Telecom DEVOCEAN, KISTI 등에서 한국어 기술 콘텐츠가 활발히 생산되고 있으며, 한빛미디어에서 박경민 저자의 전문 서적 『컨텍스트 엔지니어링으로 구축하는 AI 에이전트』가 출간되었다. 한국 개발자 커뮤니티 GeekNews에서는 “결국 불확실한 공간에서 이것저것 만져보는 행위 아니냐”라는 건강한 회의론과 함께, “적시에 제대로 된 정보를 주면 인간도 더 잘 해결한다”는 실용적 공감이 공존한다.
LY Corp의 한 마디가 context engineering의 본질을 가장 간결하게 요약한다: “노이즈를 줄이고, 신호만 남기세요.” AI 모델의 능력이 급속히 향상되는 시대에, 차별화의 진짜 원천은 모델 자체가 아니라 그 모델에게 무엇을 보여주는가에 있다. 이것이 context engineering이 단순한 유행어가 아닌, AI 엔지니어링의 핵심 패러다임으로 자리잡은 이유다.
인용 문서 목록
- The rise of “context engineering” — LangChain
- Context Engineering for Agents — LangChain
- The New Skill in AI is Not Prompting, It’s Context Engineering — Phil Schmid
- 프롬프트보다 중요한 컨텍스트? 이제 AI의 맥락을 설계하라! — BESPIN GLOBAL
- Context Engineering Guide — Prompting Guide
- Context Engineering Deep Dive: Building a Deep Research Agent — Prompting Guide
- Context Engineering vs. Prompt Engineering — Medium (Javier Marin)
- Effective context engineering for AI agents — Anthropic
- Context engineering: Best practices for an emerging discipline — Redis
- Context Engineering Is Replacing Prompt Engineering — Mia-Platform
- AI의 새로운 핵심 역량은 프롬프트가 아닌 “컨텍스트 엔지니어링” — GeekNews
- Context Engineering - LLM Memory and Retrieval for AI Agents — Weaviate
- Karpathy Puts Context at the Core of AI Coding — Pure AI
- Context Engineering Guide: Techniques for AI Agents — LlamaIndex
- Context Engineer - Master the Next Evolution Beyond Prompt Engineering — contextengineer.org
- Andrej Karpathy on X — X (Twitter)
- Context Engineering: Bringing Engineering Discipline to Prompts — Substack (Addy Osmani)
- Andrej Karpathy on Software 3.0: Software in the Age of AI — Latent Space (Substack)
- Context Engineering: The New Sensation in Silicon Valley — 36Kr
- What is Context Engineering, Anyway? — Zep
- 엔터프라이즈 LLM 서비스 구축기 1: 컨텍스트 엔지니어링 — LY Corporation
- Beyond the Prompt: The Definitive Guide to Context Engineering for Production AI Agents — ThinhDA
- Context Engineering for AI Agents: Lessons from Building Manus — Manus
- Why Cognition does not use multi-agent systems — Jason Liu (jxnl.co)
- Don’t Build Multi-Agents — Cognition AI
- Deep Dive into Context Engineering for Agents — Galileo AI
- Context Engineering: The Definitive 2025 Guide to Mastering AI System Design — FlowHunt
- What Is Context Engineering? A Guide for AI & LLMs — IntuitionLabs
- Context Engineering: A Guide With Examples — DataCamp
- Context Engineering Guide in 2025 — Turing College
- Towards infinite LLM context windows — Towards Data Science
- RAG vs. Long-context LLMs — SuperAnnotate
- Which LLM Has the Largest Context Window? 2026 Comparison — Morph
- Anatomy of a Context Window: A Guide to Context Engineering — Letta
- What is Context Engineering? Architecting Reliable AI — Elastic
- What is context engineering? Components, techniques, and best practices — Elasticsearch Labs
- Context Engineering in LLM-Based Agents — Medium (Jin Tan Ruan)
- Context Engineering - by Justin Johnson — Run Data Run
- Why ‘Context Engineering’ is the New Frontier for AI Agents — Vellum
- Context Engineering Best Practices for Reliable AI in 2025 — Kubiya
- Context Engineering for Reliable AI Agents — Kubiya
- Context engineering — Simon Willison
- tobi lutke on X — X (Twitter)
- Ankur Goyal on X — X (Twitter)
- When AI goes wrong: 13 examples of AI mistakes and failures — Evidently AI
- 10+ Epic LLM / Chatbot Failures in 2026 — AIMultiple
- 4 Famous AI Fails (& How To Avoid Them) — Monte Carlo
- A Survey of Context Engineering for Large Language Models — arXiv
- Lead the Shift to Context Engineering as Prompt Engineering Fades — Gartner
- “프롬프트를 넘어 컨텍스트로” 에이전틱 AI를 위한 컨텍스트 엔지니어링의 부상 — CIO Korea
- Model Context Protocol — Wikipedia
- Donating the Model Context Protocol and establishing the Agentic AI Foundation — Anthropic
- A Year of MCP: From Internal Experiment to Industry Standard — Pento
- Model Context Protocol (MCP) Guide: Enterprise Adoption 2025 — Gupta Deepak
- Context Caching: Reduce Costs, Improve Speed — Elegant Software Solutions
- Prompt Caching with OpenAI, Anthropic, and Google Models — PromptHub
- Solving the context window agnosticism in LLMs using supermemory.ai — Shankar’s Blog
- From Context Engineers to Chief AI Officers: Emerging AI Job Roles for 2026 — ODSC (Medium)
- Long Context Models Explained: Do We Still Need RAG? — Louis Bouchard
- Cursor – Working with Context — Cursor Docs
- The Good and Bad of Cursor AI Code Editor — AltexSoft
- AI 에이전트 시대의 새로운 화두: 컨텍스트 엔지니어링 — 사이언스칼럼 (Daum)