🧭 Context Engineering

Concevoir, enrichir et orchestrer le contexte des systèmes IA (LLM, RAG, agents) pour des réponses fiables, traçables et économes.

Définition, objectifs, différence avec le Prompt Engineering.

Docs internes, bases SQL, APIs, logs, KGs, emails.

Embeddings, BM25, filtres, récence, hybrid search.

Choix du modèle, dimension, normalisation, versionning.

JSON schemas, rôles (system/user/tools), hiérarchie.

Session, utilisateur, projet. Résumés & index vecteur.

Summaries, keyfacts, citations, passage ranking.

Réduire le bruit, garder la preuve. Maximiser le signal.

Context cache, reuse, paged attention, window mgmt.

Entités, relations, contraintes & raisonnement.

Tool use, multi‑agents, pipelines contextuels.

PII, consentement, traçabilité, redaction.

Metrics, feedback, A/B, coût & latence.

Templates RAG, QA, coding assistant, copilots.

Vector DB, KG, cache, SDKs, observabilité.