Context engineering : pourquoi un agent IA lit page par page

Une fiduciaire confie à un agent IA un contrat de bail de 400 pages et lui demande le délai de résiliation. Une entreprise artisanale charge un fichier Excel de 50'000 lignes de mouvements de stock et veut savoir quel article manquait en mars. Tout montrer à l’agent d’un seul coup est justement ce qui échoue. Le context engineering est la discipline qui décide quelle information un agent IA voit à quel moment. Chez Vectoryon, nous construisons notre Workspace Agent selon quatre règles qui évitent qu’un agent se noie dans trop de texte.

Qu’est-ce que le context engineering, et pourquoi une grande fenêtre de contexte ne suffit pas ?

Un modèle de langage travaille avec une fenêtre de contexte : le texte qu’il a sous les yeux au moment de répondre. Ce texte se mesure en tokens, les fragments en lesquels un modèle découpe la langue. Dans un article de septembre 2025, Anthropic décrit pourtant un problème présent dans tous les modèles : plus le contexte contient de tokens, moins le modèle se souvient précisément de chaque passage. La recherche appelle ce phénomène « context rot ».

Anthropic l’explique par l’architecture des modèles. Dans un transformer, chaque token prête attention à tous les autres, ce qui donne n² relations pour n tokens. Le modèle dispose donc d’un budget d’attention limité, et chaque token supplémentaire en consomme une part. Selon Anthropic, faire du context engineering revient à trouver le plus petit ensemble de tokens riches en information qui rend le résultat voulu le plus probable.

Pour une entreprise, la traduction est simple. Un agent IA qui lit tout le contrat d’un coup a le délai de résiliation sous les yeux, sans garantie de le trouver. L’équipe de l’agent Manus rappelle aussi que les longues entrées restent chères, même avec un cache. Les notions de base, sans jargon technique, sont expliquées dans notre guide Context engineering pour agents IA.

Règle 1 : la limite se trouve dans l’outil, pas dans le prompt

Le premier réflexe est souvent une consigne dans le prompt système : « Ne lis que ce dont tu as besoin. » Un prompt est une demande adressée au modèle. Qu’un agent IA la respecte dépend du modèle, de la tâche et du hasard. Un outil, lui, fait exactement ce que prévoit son code. Si l’outil de lecture renvoie au plus une quantité fixe de texte, l’agent ne peut pas lire davantage.

Dans son guide sur la conception d’outils pour agents, Anthropic recommande précisément ces moyens : pagination, sélection d’une plage, filtres et troncature, chacun avec des valeurs par défaut raisonnables. Pour son propre outil de programmation Claude Code, Anthropic limite par défaut les réponses d’outils à 25'000 tokens. Quand une réponse est tronquée, l’outil doit indiquer à l’agent comment continuer, par exemple avec plusieurs recherches ciblées plutôt qu’une seule recherche large.

Pour les dirigeants et les responsables informatiques, cette règle a un avantage : elle se vérifie. Une limite dans le code se mesure et vaut pour tous les modèles. Une limite dans le prompt doit être testée à nouveau à chaque changement de modèle.

Règle 2 : une lecture n’est jamais plus grande que ce que le contexte peut montrer

Un agent IA n’utilise le résultat d’un outil que s’il tient dans sa fenêtre de contexte. Le reste est coupé ou chasse les parties anciennes de la conversation. La deuxième règle en tire la conséquence : une seule étape de lecture ne ramène jamais plus de données que l’agent n’a le droit d’en voir ensuite. La taille d’une lecture se règle sur le contexte, pas sur le fichier.

L’outil d’agent pi montre à quoi cela ressemble. Dans son Code Mode, le modèle écrit de petits scripts qui appellent des outils. La sortie d’un script est limitée par défaut à 10'000 tokens. Pour une sortie plus longue, pi garde le début et la fin, écrit le texte complet dans un fichier et indique son chemin dans le résultat.

Pour le fichier Excel de 50'000 lignes, cela veut dire que l’agent IA ne lit jamais tout le tableau. Il lit les en-têtes de colonnes, filtre par mois et par article et ne récupère que les lignes qui restent.

Règle 3 : la lecture se fait page par page, avec un curseur opaque

Quand un document dépasse la taille d’une lecture, un agent IA le lit par sections. Le Model Context Protocol, ou MCP, apporte une réponse claire. MCP est un standard ouvert qui permet aux agents IA d’accéder à des outils et à des sources de données. Pour les listes qui peuvent devenir longues, la spécification de juin 2025 prévoit une pagination par curseur, sans numéros de page.

Un curseur est une chaîne de caractères que le serveur renvoie avec chaque page pour marquer la position. Pour continuer, le client le renvoie tel quel. La spécification exige que les clients traitent le curseur comme opaque : ne pas le décomposer, ne pas le modifier, ne rien supposer de son format. La taille des pages est elle aussi fixée par le serveur. Quand il n’y a plus de résultats, le champ nextCursor est absent.

Un modèle qui calcule lui-même « lignes 20'000 à 25'000 » peut se tromper ou inventer une position. Un curseur opaque ne lui laisse aucune marge. L’agent peut seulement passer à la page suivante ou s’arrêter. La spécification MCP règle la pagination des listes. La même idée convient tout autant à la lecture de gros documents.

Règle 4 : une référence survit à la compression

Les tâches longues finissent par remplir la fenêtre de contexte d’un agent IA. Le système doit alors condenser : raccourcir d’anciens résultats, résumer des étapes passées. L’équipe de Manus décrit ouvertement le risque. Un agent ne peut pas prévoir quelle observation deviendra décisive dix étapes plus tard.

La réponse de Manus est une compression restaurable. Le contenu d’une page web peut sortir du contexte tant que l’URL reste. Le contenu d’un document peut disparaître tant que son chemin est conservé. LangChain procède de la même manière dans son kit d’agents Deep Agents : quand le résultat d’un outil dépasse 20'000 tokens, le système l’enregistre dans un fichier et le remplace dans le contexte par le chemin et un aperçu des dix premières lignes.

Anthropic appelle ces références des identifiants légers : chemins de fichiers, requêtes enregistrées, liens web. L’agent garde l’identifiant et ne charge les données qu’au moment où il en a besoin. Pour le contrat de bail : si le passage lu sort du contexte, la référence au document et à l’endroit reste. L’agent IA peut retrouver le délai de résiliation à tout moment et citer la source dans sa réponse.

Ce que le context engineering ne résout pas

Le context engineering ne rend pas un agent IA plus intelligent que son modèle. Si l’agent lit la bonne page et la comprend mal, aucune limite de lecture n’y change rien. Lire page par page coûte aussi des étapes : une question sur tout le document, comme « Le contrat se contredit-il quelque part ? », demande de nombreuses lectures.

Une référence ne protège que tant que la source reste accessible. Si un fichier est supprimé ou déplacé, elle pointe dans le vide. Et aucune de ces règles ne remplace la vérification par un humain. Un délai de résiliation trouvé par un agent est une indication avec sa source, pas un avis juridique.

Comment Vectoryon applique ces quatre règles

Vectoryon est une plateforme suisse d’intelligence artificielle pour l’entreprise. Le Workspace Agent travaille pour chaque personne dans la messagerie, l’agenda, les fichiers et d’autres systèmes, avec exactement les droits de cette personne. Nous construisons notre agent selon les quatre règles du context engineering : les limites sont dans l’outil, une lecture tient dans le contexte, les grandes sources se lisent par étapes et les références survivent à chaque compression. Tous les outils ne sont pas encore entièrement construits ainsi. Nous les adaptons étape par étape.

Sources

• Anthropic, Effective context engineering for AI agents, septembre 2025 : anthropic.com
• Anthropic, Writing effective tools for AI agents, using AI agents : anthropic.com
• Model Context Protocol, Specification 2025-06-18, Pagination : modelcontextprotocol.io
• pi, Code Mode : pi.dev
• Manus, Context Engineering for AI Agents: Lessons from Building Manus : manus.im
• LangChain, Context Management for Deep Agents, janvier 2026 : blog.langchain.com