# Context engineering 2026-ban: gyakorlati Claude Code-útmutató
> Mi a context engineering, és miben különbözik a prompt engineeringtől. Az Anthropic kánonja, 7 hiba és egy minimális Claude Code-beállítás.
Source: https://ailoot.ai/blog/hu/context-engineering/
Canonical: https://ailoot.ai/blog/hu/context-engineering/
Language: hu
Publisher: Ailoot (https://ailoot.ai/)
Translation: guide-037
Revision: sha256-7d7ff13e117ba71109414027bc6436ff9b4f9ffddc9aaeda5aeec54d7db7b412
Főbb pontok
A context engineering annak a tudatos beállításával foglalkozik, ami az üzeneted előtt bekerül Claude kontextusablakába: a rendszerprompt, az eszközök, az előzmények, a memóriában tárolt fájlok és az eszközöktől származó adatok. 2026-ban ez váltotta fel a prompt engineeringet mint kulcsfontosságú készséget—ezt mondja az Anthropic. Ez az útmutató elsődleges források alapján ismerteti a kánont, a tokeneket felemésztő 7 gyakori hibát és a Claude Code-hoz használható gyakorlati, 7 lépéses beállítást.
Az Ailoot használatáról a [dokumentációban](https://ailoot.ai/docs/) találsz információt.
## Mi az a context engineering—egy mondatban?
Főbb pontok
A context engineering annak a tudatos összeállítása, ami minden lépésben bekerül egy AI-ügynök kontextusablakába: a rendszerprompt, az eszközök, az előzmények, a memóriában tárolt fájlok és a külső forrásokból származó adatok. A prompt engineering arra a kérdésre adott választ, hogy „Hogyan írjunk promptot?” A context engineering erre: „Mit tud az AI, amikor promptot írunk?”
Az Anthropic egy 2025. szeptember 29-i mérnöki blogbejegyzésben honosította meg a kifejezést:
A context engineering azoknak a stratégiáknak az összessége, amelyekkel az LLM-inferencia során kiválasztjuk és fenntartjuk az optimális tokenkészletet (információt), beleértve mindent, ami magukon a promptokon kívül kerül be.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
Ugyanez a cikk a szemléletváltás legfontosabb megfogalmazását is kínálja:
A nyelvi modellekkel végzett munka egyre kevésbé szól a promptok megfelelő szavainak és kifejezéseinek megtalálásáról, és egyre inkább egy tágabb kérdés megválaszolásáról: „Milyen kontextusbeállítás eredményezi a legnagyobb valószínűséggel a kívánt modellviselkedést?”
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
A fő gondolat: a kontextus nem az az üzenet, amit megírsz. A kontextus az összes információ, amit az AI **az üzeneted előtt** lát—a rendszerprompt, az eszközök leírása, a beszélgetés előzményei, a memóriában tárolt fájlok és az MCP-n keresztül betöltött adatok. A prompt az utolsó lépés. A context engineering a kontextusablakba betáplált információk egészének architektúrája.
## Miért vált elavulttá a prompt engineering 2026-ban?
Főbb pontok
A prompt engineering akkor született, amikor a modellek egyetlen prompttal dolgoztak—egy forduló, egy feladat. 2026-ban az AI-ügynökök hosszú munkamenetekben működnek, eszközökkel, memóriával, alügynökökkel és az eszközökön keresztül menet közben lekért adatokkal. Ebben az architektúrában már nem egyetlen prompt megfogalmazása a fő készség, hanem az ügynök által látott összes információ összeállítása.
A változás 2025 nyarán történt.
**2025. szeptember 29.:** Az Anthropic egy mérnöki blogbejegyzésben rögzíti a diszciplínát, és ismerteti a 4 alapelvet.
A prompt engineering nem „halt meg”. Alapkészséggé vált, mint a billentyűzet használatának ismerete. Erre épült rá az a diszciplína, amely nélkül az AI-ügynökök elakadnak a hosszú feladatokban: a context engineering.
## Miben különbözik a context engineering a prompt engineeringtől? 5 különbség
Főbb pontok
A prompt engineering egyetlen promptot optimalizál: te választod meg a megfogalmazást, a sablont és a hangnemet. A context engineering a prompt előtti teljes információs környezetet tervezi meg: a rendszerpromptot, az eszközöket, a munkamenet előzményeit, a memóriában tárolt fájlokat és az adatlekérést. A különbség öt szinten mutatkozik meg: mi az optimalizálás tárgya, az időtáv, a fő kockázat, az alapvető készség és a projektbeli forrás.
| Szempont | Prompt engineering | Context engineering |
|----|----|----|
| **Mit optimalizál** | Egyetlen prompt megfogalmazását | A teljes tokenkészletet: rendszerprompt + eszközök + előzmények + lekért adatok |
| **Időtáv** | Egy forduló | Több forduló, valamint a munkamenetek közötti átmenetek |
| **Fő kockázat** | A modell nem érti a promptot | A modell belefullad a zajba (context rot) |
| **Alapvető készség** | Szövegírás és a modell ismerete | Információs architektúra és célzott adatlekérés |
| **Projektbeli forrás** | A prompt sablonja | CLAUDE.md, memóriában tárolt fájlok, adatlekérés, alügynökök, kontextustömörítés |
| **Hasonlat** | „Hogyan írjunk promptot?” | „Mit tud az AI, amikor promptot adsz neki?” |
A context engineering nem azt jelenti, hogy „öntsünk bele még többet”. **Pontosan kell adagolni.** Ha túl kevés a kontextus, az AI-nak hiányoznak az információk, és hallucinál. Ha túl sok, belefullad a zajba, elveszíti a fonalat a közepén, és többe kerül.
A prompt engineering az utolsó lépéssel foglalkozott. A context engineering mindazzal, ami előtte történik.
## Miért nem jelenti az 1M token azt, hogy „öntsünk bele mindent”?
Főbb pontok
A modellek kontextusablaka 2026-ban nagyobb lett: a Claude Opus 4.7 és a Sonnet 4.6 1 millió tokent támogat. Ez azt az illúziót kelti, hogy a teljes repositoryt be lehet tölteni az ablakba. A gyakorlatban a nagy ablak nem jelent nagy és hasznos memóriát—a modellek teljesítménye jóval a határ elérése előtt romlani kezd.
A Claude-modellek jelenlegi kontextuskorlátai:
| Modell | Kontextusablak | Elérhető a következő csomagokban |
|-------------------|--------------------|--------------------------|
| Claude Haiku 4.5 | 200,000 token | minden csomag |
| Claude Sonnet 4.6 | 1,000,000 token | Pro+ használati kreditekkel |
| Claude Opus 4.7 | 1,000,000 token | Pro, Max, Team, Enterprise |
1M token körülbelül 2,500 oldalnyi szövegnek felel meg. Úgy tűnik, be lehetne tölteni a projekt összes dokumentációját, levelezését és specifikációját, aztán hagyni, hogy az AI eligazodjon bennük. Az Anthropic azonban egyértelműen fogalmaz a mérnöki blogjában:
A kontextust véges erőforrásnak kell tekinteni, amelynek hozadéka egyre csökken.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
Más szóval, a kontextus véges erőforrás, amelynek hozadéka egyre csökken. Minden további token nem növeli lineárisan az előnyöket. Minél hosszabb az ablak, annál rosszabbul teljesít a modell a benne lévő információkkal.
2026-ban nem az a legfontosabb készség, hogy mindent nyitva tartsunk. Hanem hogy gyorsan váltsunk a szűk kontextusok között, feladatonként egyet használva.
## A legnagyobb hiba: a több kontextus rosszabb eredményt jelent?
Főbb pontok
Minél hosszabb a kontextus, a modell annál rosszabbul dolgozza fel a benne lévő információkat. Ezt a jelenséget context rot-nak nevezik. Ezzel párhuzamosan érvényesül a lost-in-the-middle hatás is: a modellek a kontextus elejére és végére emlékeznek, a közepét viszont kihagyják. A gyakorlati tanulság az, hogy a hosszú memóriában tárolt fájlok hátráltatnak.
A másik hatás, a lost in the middle, ezzel párhuzamosan működik.
A gyakorlatban egy hosszú CLAUDE.md közepére rejtett fontos szabály kevesebb figyelmet kaphat. Ezt a kockázatot valós feladatokon kell tesztelni; nem garancia egy adott sor átugrására.
Az Anthropic a CLAUDE.md dokumentációjában hosszkorlátot javasol:
Törekedj arra, hogy a CLAUDE.md 200 sornál rövidebb legyen—a hosszabb fájlok több kontextust fogyasztanak, és csökkentik az utasítások követésének pontosságát.
— Anthropic, https://code.claude.com/docs/en/memory
A 200 sor alatti méret az idézett útmutatóban hosszúsági cél, nem kemény küszöb az utasításkövetés megszűnésére. A 80-120 sor a szerző munkapreferenciája az itt leírt projektekből, nem külön Anthropic-követelmény. Tartsd relevánsan az utasításokat, és teszteld a fontos szabályok követését; minden további sor figyelemért és kontextusért verseng. Arról, hogyan állítsd be a CLAUDE.md-t ehhez a korláthoz, a [„A CLAUDE.md beállítása 2026-ban”](https://ailoot.ai/blog/hu/claude-md-template/) útmutatóban olvashatsz.
## A context engineering 5 alapelve az Anthropic szerint
Főbb pontok
Az Anthropic 2025. szeptember 29-i mérnöki blogbejegyzése 5 alapvető kontextusstratégiát rögzített: véges erőforrás, just-in-time adatlekérés, strukturált jegyzetelés, tömörítés és alügynök-architektúrák. Ez az a kánon, amelyre a téma többi szerzője ma hivatkozik.
### 1. alapelv. A kontextus véges erőforrás
Ez az alapfeltevés; nélküle a másik négy alapelv sem működik. Az Anthropic ezt írja:
A kontextus minden elemére (rendszerpromptok, eszközök, példák, üzenetelőzmények stb.) érvényes általános tanács az, hogy átgondoltan válasszuk meg őket, a kontextust pedig informatívvá, de tömörré tegyük.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
A „tömör” azt jelenti, hogy „sűrű, töltelékszöveg nélkül”. Az ablak minden tokenjének érdemben módosítania kell a modell döntését. Ha a CLAUDE.md egyik sora így szól: „igyekszünk tiszta kódot írni”, törölheted; nem hordoz hasznos jelzést.
### 2. alapelv. Just-in-time adatlekérés
Az AI-ügynök menet közben, eszközökön keresztül kéri le az adatokat, nem pedig előre betölt mindent az ablakba. Ez a Claude Code architektúrája: vektoradatbázis vagy index helyett az ügynök `glob` és `grep` használatával keres, ahogyan egy mérnök manuálisan keres a kódban.
Mikor használd: **előre nem tudod**, hogy a feladat mely részeket igényli.
### 3. alapelv. Strukturált jegyzetelés
Az ügynök külső tárhelyre ír jegyzeteket, és szükség szerint tölti be őket. A Claude Code-ban ezt a memóriakezelő eszköz valósítja meg. Az Anthropic a szakácskönyvében így írja le:
A memória strukturált jegyzetekből áll: az ügynök tartós külső tárhelyre ír, hogy nyomon kövesse a feladatok és munkamenetek közötti haladást anélkül, hogy mindent az aktív kontextusban tartana.
— Anthropic Cookbook, https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools
Mikor használd: hosszú munkamenetekben, munkamenetek közötti váltásoknál és a projektismeretek felhalmozásakor.
### 4. alapelv. Tömörítés
Az üzenetelőzmények összefoglalóvá tömörítése, amikor közeledik a korlát. A Claude Code-ban erre szolgál a `/compact` parancs, valamint a körülbelül 80%-os telítettségnél bekövetkező automatikus tömörítés. Az Anthropic ezt írja:
A tömörítés összesűríti az egész ablakot, amikor az túl nagyra nő.
— Anthropic Cookbook, https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools
Mikor használd: hosszú elemző beszélgetésekben, amikor a csevegési előzmények már holtteherré váltak, és segítség helyett csak megtöltik az ablakot.
### 5. alapelv. Alügynök-architektúrák
A specializált alügynökök párhuzamosan dolgoznak a saját kontextusablakukban, majd tömörített összefoglalókat küldenek a vezető ügynöknek. Az Anthropic ezt írja:
Az alügynökök segítik a tömörítést: saját kontextusablakaikban párhuzamosan dolgoznak, miközben egy kérdés különböző aspektusait vizsgálják.
— Anthropic Engineering, https://www.anthropic.com/engineering/multi-agent-research-system
A saját belső tesztjük adatai szerint egy Claude Opus 4 vezető ügynök és Claude Sonnet 4 alügynökök **+90.2%-kal jobb minőséget** érnek el a kutatási feladatokban, mint egyetlen Claude Opus 4. Az ára körülbelül 15× több token. A tanulság: akkor indokolt, ha az eredmény értékes.
A Claude Code alügynökeinek beállításáról a [„Alügynökök a Claude Code-hoz”](https://ailoot.ai/blog/hu/claude-code-alugynokok/) útmutatóban olvashatsz.
## 7 hiba, amely tokeneket éget és tönkreteszi a Claude Code-ot
Főbb pontok
Hét gyakori antipattern projektpéldákkal bemutatva. Mindegyik haszon nélkül égeti a tokeneket, vagy context rot miatt hallucinációkat okoz. Mindegyik alatt megtalálod, hogyan kezeli a problémát a context engineering.
| \# | Antipattern | Mi történik | Javítás |
|----|----|----|----|
| 1 | **A teljes README és 5 kódfájl bemásolása egyetlen promptba** | Az ablak egy forduló alatt 50%-ig megtelik, majd hamar eléri a korlátot | Hosszú távú tényekhez használj memóriakezelő eszközt és just-in-time adatlekérést—hagyd, hogy Claude maga olvassa be a fájlokat a `read_file`/`glob` segítségével |
| 2 | **500 soros CLAUDE.md** | A hosszú utasítások ronthatják a követést, különösen ha a fontos szabályok középre kerülnek | 80-120 sor, felszólító mód, külön szakaszok a parancsoknak és a stílusnak. A legfontosabbakat tedd az elejére és a végére |
| 3 | **Nem futtatom a `/compact` parancsot hosszú munkamenetekben** | A munkamenet eléri a 180k tokent, Claude elfelejti a korai üzeneteket, te pedig kézzel ismétled el a kontextust | Futtasd kézzel a `/compact` parancsot, vagy használj kiváltó eseményre működő automatikus tömörítést. A Claude asztali változatában a kontextushasználat-jelző mutatja, ha a munkamenet túlterhelődik |
| 4 | **Egyetlen Claude mindenre** | Egy ügynök tervez, keres, kódol, ellenőriz és tesztel—a kontextusablak exponenciálisan növekszik | Alügynökök: mindegyiknek saját kontextusa van, a vezető ügynök pedig összegyűjti az összefoglalóikat. Az Anthropic +90.2%-os minőségnövekedést mért kutatási feladatoknál |
| 5 | **Az eszközök eredményei felduzzasztják a memóriában tárolt fájlokat** | Az ügynök 5-ször olvassa be ugyanazt a fájlt, és az eszközhívások eredményei elfoglalják a kontextus 96%-át | Az eszközeredmények törlése: tartsd meg a legutóbbi 4-6 eredményt, a többit töröld. Az megmarad, hogy a hívás megtörtént |
| 6 | **A teljes repository bemásolása az `examples/` mappába** | Az AI 200 példa között keres mintát, és elvész | 3-7 kanonikus minta az `examples/` mappában, mindegyik egy-egy konkrét feladattípushoz |
| 7 | **200 soros Markdown-lista „funkciótervként”** | Egy hosszú, strukturálatlan lista megnehezítheti a feladatkövetést; nincs általános hibahatár az 50. sornál | HTML-artefaktum vagy számozott terv külön fájlban |
Az Anthropic Cookbook az 5. hibával kapcsolatban konkrét mérést ismertet: az alapszintű munkamenetben a kontextusba került első dokumentum (a C. elegansról) technikailag benne volt az ablakban, de 335k token alá temetve. Technikailag elérhető volt. A gyakorlatban a modell nem idézte fel. A memóriakezelő eszközzel ez úgy oldható meg, hogy az `aging_model_organisms_comparison.md` jegyzetfájl körülbelül 3000 tokent foglal, ahelyett hogy újra be kellene tölteni az eredeti korpuszt.
Hétköznapi hasonlat: a kontextusablak egy íróasztal. Ha 200 dokumentum van rajta, nem találod meg a szükségeset akkor sem, ha ott van. A context engineering annak a diszciplínája, hogy „csak azt tartsd az asztalon, amire most szükséged van, a többit tedd az archívumba, és kérésre töltsd be.”
## Hogyan állíthatsz össze egy működő rendszert egyetlen este alatt?
Főbb pontok
A Claude Code minimális, működő context engineering-beállítása 7 elemből áll: CLAUDE.md, példák, PRP-dokumentumok, memóriakezelő eszköz, /compact, alügynökök és az eszközökön keresztüli just-in-time adatlekérés. Az alapkeret 30-40 perc alatt állítható be; a példákat és ellenőrzött promptokat is tartalmazó teljes konfiguráció egy estét vesz igénybe. Útközben tovább finomíthatod.
A hét lépés sorrendben:
1. **CLAUDE.md 80-120 sorban.** A projekt gyökerében helyezd el. Leírások helyett használj felszólító módot. Az [hivatalos dokumentációjában](https://code.claude.com/docs/en/memory) az Anthropic a `Specificity` elvét ajánlja: a szabályok legyenek konkrétak és egyértelműek, ne általános elvek. A „soha ne használj inline mockokat a tesztekben” a gyakorlatban jobban működik, mint az, hogy „igyekszünk tiszta kódot írni”. Részletes sablonért lásd a [„A CLAUDE.md beállítása”](https://ailoot.ai/blog/hu/claude-md-template/) útmutatót.
2. **Egy `examples/` mappa 3-7 ellenőrzött mintával.** Minden gyakori mintához legyen egy példa: API-hívás, teszt írása, migráció, hibakezelés. Ha Claude lát egy mintát az `examples/` mappában, pontosan reprodukálja. Példák nélkül menet közben találgat.
3. **PRP-dokumentumok a nagyobb funkciókhoz.** PRP = Product Requirements Prompt. Funkciónként egy fájl: kontextus + terv + ellenőrzés + példák.
4. **Memóriakezelő eszköz a munkamenetek közötti, hosszú távú tényekhez.** Az Anthropic Cookbookjában Claude memóriakezelő eszköze strukturált jegyzetek tárolójaként működik. Amikor az ügynök új munkamenetben tér vissza egy feladathoz, először a jegyzeteket olvassa el, nem pedig a teljes korpuszt olvassa be újra.
5. **`/compact` és automatikus tömörítés a korlát 80%-ánál.** Ne várd meg, amíg az ablak eléri a felső határt. Kapcsold be a beállításokban az automatikus tömörítést, vagy futtasd a `/compact` parancsot, amikor úgy érzed, hogy a munkamenet körbe-körbe jár.
6. **Alügynökök kutatáshoz / ellenőrzéshez / tervezéshez.** Minden alügynök saját kontextust és szűk fókuszú promptot kap. A vezető Claude csak az összefoglalót kapja meg, a nyers anyagot nem. További részletekért lásd az [„Alügynökök a Claude Code-hoz”](https://ailoot.ai/blog/hu/claude-code-alugynokok/) és a [„Skills a Claude Code-hoz”](https://ailoot.ai/blog/hu/claude-code-skills-library/) útmutatót (a Skills olyan módja a szűk szakterületek csomagolásának, amelyet Claude automatikusan alkalmaz).
7. **Just-in-time adatlekérés előzetes betöltés helyett.** Ne öntsd bele a teljes repositoryt a kontextusablakba. Hagyd, hogy Claude maga keressen `glob` és `grep` segítségével. Maga a Claude Code is így működik.
További gyakorlati szabályok a bemutatott projekt tapasztalatai alapján:
- **Egy feladat, egy ablak.** Ha befejezted, zárd be, és nyiss újat. Ne halmozd az előzményeket több egymást követő feladat során.
- **Sablon az új ablak első parancsához.** Mindig ugyanazt a szöveget használd: “Read, in order, `CLAUDE.md` and the task area. Confirm in one line. Do not start the task; wait for the next message.” A bemutatott munkafolyamatban ez a sablon egyetlen gyorsbillentyűvel érhető el a szövegbeillesztőben.
- **Ha a kontextusablak >60%-ig megtelik, válts új ablakra.** Átmeneti megoldásként kérd meg Claude-ot: „írj egy promptot, amellyel a szomszédos csevegés folytathatja a feladatodat a jelentés elvesztése nélkül”, másold ki, és nyiss új ablakot.
- **Minden AI-hiba ok arra, hogy szabályt adj hozzá.** Ne kézzel írd be a szabályokat a memóriában tárolt fájlokba. A hiba pillanatában mondd Claude-nak: „ez azért helytelen, mert...”, és az „Szabály → Miért → Hogyan” konvenció szerint fájlba rendezi a szabályt.
## Hogyan fejlődik tovább a context engineering diszciplínája?
Főbb pontok
2026-ban a context engineering a szöveges Markdown-fájloktól a strukturáltabb formátumok felé mozdul. Megjelent a Dreaming funkció, amelyben az ügynök egyik éjszaka újravizsgálja a korábbi munkameneteket. A következő lépések a HTML-artefaktumok, a tartós memória és a teljes termékcsapatra kiterjedő többügynökös koordináció.
Egy irány, amerre a diszciplína most halad:
**Dreaming—a munkamenetek éjszakai újragondolása.** A 2026. május 6-i Code w/ Claude SF rendezvényen az Anthropic bemutatott egy funkciót, amelyben az ügynök egyik éjszaka újravizsgálja a korábbi munkameneteket, és frissíti a saját jegyzeteit. A strukturált memóriában tárolt fájlok nemcsak akkor bővülnek, amikor te írsz beléjük, hanem akkor is, amikor az ügynök következtetéseket von le az összegyűlt tapasztalatokból.
Egy trend egyértelmű: a context engineering az AI-ügynököknek szánt információk megtervezésének teljes diszciplínájává válik, nem csupán arról szól, hogy „hogyan írjuk meg a CLAUDE.md-t”. A prompt engineering ennek a diszciplínának az egyik első szintje volt. A context engineering a következő.
Az első estére összeállítandó minimum: állítsd be a CLAUDE.md-t 80-120 sorra (útmutató [itt](https://ailoot.ai/blog/hu/claude-md-template/)), hozz létre egy mappát az üzleti tudás struktúrájával, tanuld meg használni a `/compact` parancsot, és [ne égesd tovább a kereteket](https://ailoot.ai/blog/hu/claude-code-token-limits-saving/).
Ezután adj hozzá alügynököket ([útmutató](https://ailoot.ai/blog/hu/claude-code-alugynokok/)) és [Skills elemeket](https://ailoot.ai/blog/hu/claude-code-skills-library/), hogy a speciális szaktudás kikerüljön a megosztott kontextusból, és dedikált skillekbe kerüljön.
### Források
- [Hatékony context engineering AI-ügynökök számára](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) - Anthropic Applied AI team, 29.09.2025. A kanonikus szöveg a context engineering 4 alapelvéről.
- [Hogyan építettük fel a többügynökös kutatási rendszerünket](https://www.anthropic.com/engineering/multi-agent-research-system) - Anthropic Engineering, 13.06.2025. A +90.2%-os minőségi és 15×-ös tokenadatok forrása.
- [Anthropic Cookbook - Context engineering eszközhasználattal](https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools) - Gyakorlati építőelemek: tömörítés, eszközeredmények törlése és a memóriakezelő eszköz.
- [Claude Code memóriadokumentáció](https://code.claude.com/docs/en/memory) - Tömör, konkrét projektutasítások útmutatója; az idézett cél 200 sor alatt van. A 80-120 sor a szerző preferenciája.
Ismerd meg az [Ailootot](https://ailoot.ai/).
## Kérdések és válaszok: Context engineering 2026-ban: gyakorlati Claude Code-útmutató
### A 200 sor kemény határ a CLAUDE.md-nél?
Nem. Az idézett útmutató 200 sor alatti méretet javasol a kontextus kíméléséhez és jobb utasításkövetéshez. A szerző 80-120 soros tartománya gyakorlati preferencia; a fontos szabályokat valós feladatokon igazold a sorszám garanciának tekintése helyett.
### Mit helyezzek ki a kezdeti kontextusból?
A részletes példákat, hosszú eszközeredményeket és feladatspecifikus referenciaanyagokat külön fájlokba tedd. A CLAUDE.md-ben tömör szabályok és hivatkozások maradjanak, a releváns részleteket pedig akkor olvasd be, amikor a feladat igényli.
## Ailoot · A vállalat és projektportfóliója
Az Ailoot felhalmozott működési tapasztalatra, széles ügyfélkörre, stabil szolgáltatásra és folyamatos KPI-ellenőrzésre épít.
A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben.
Az Ailoot ezt a működési tapasztalatot használja az ügyfelek termékeiben, ágenseiben, alkalmazásaiban és automatizálásaiban elérhető AI-funkciók API-hozzáféréséhez.