# Context engineering in Claude Code: guida pratica
> Che cos’è il context engineering e in cosa differisce dal prompt engineering. Il canone di Anthropic, 7 errori e una configurazione minima per Claude Code.
Source: https://ailoot.ai/blog/it/context-engineering/
Canonical: https://ailoot.ai/blog/it/context-engineering/
Language: it
Publisher: Ailoot (https://ailoot.ai/)
Translation: guide-037
Revision: sha256-68e4caed28b6a635bf1fed0927c9f3dbc12de1679bfc10eb7b80e26751c46a57
Punti chiave
Il context engineering è la disciplina che consiste nel configurare tutto ciò che entra nella finestra di contesto di Claude prima del tuo messaggio: il prompt di sistema, gli strumenti, la cronologia, i file di memoria e i dati forniti dagli strumenti. Nel 2026 ha sostituito il prompt engineering come competenza chiave: è ciò che sostiene Anthropic. Questa guida illustra il canone ricavato dalle fonti primarie, 7 errori comuni che bruciano token e una configurazione pratica in 7 passaggi per Claude Code.
Le informazioni su come lavorare con Ailoot sono disponibili nella [documentazione](https://ailoot.ai/docs/).
## Che cos’è il context engineering, in una riga?
Punti chiave
Il context engineering è la disciplina che consiste nel selezionare tutto ciò che entra nella finestra di contesto di un agente AI a ogni passaggio: il prompt di sistema, gli strumenti, la cronologia, i file di memoria e i dati provenienti da fonti esterne. Il prompt engineering rispondeva alla domanda «Come si scrive un prompt?». Il context engineering risponde alla domanda «Che cosa sa l’AI quando scrivi un prompt?».
Anthropic ha introdotto il termine in un articolo sul blog di ingegneria il 29 settembre 2025:
Il context engineering è l’insieme di strategie per selezionare e mantenere l’insieme ottimale di token (informazioni) durante l’inferenza degli LLM, compreso tutto ciò che viene inserito oltre ai prompt stessi.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
Lo stesso articolo offre la frase più importante per cambiare prospettiva:
Lavorare con i modelli linguistici riguarda sempre meno la ricerca delle parole e delle espressioni giuste nei prompt e sempre più la risposta a una domanda più ampia: «quale configurazione del contesto ha maggiori probabilità di produrre il comportamento desiderato del modello?»
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
L’idea fondamentale: il contesto non è il messaggio che scrivi. Il contesto è l’intero insieme di informazioni che l’AI vede **prima** del tuo messaggio: il prompt di sistema, le descrizioni degli strumenti, la cronologia della conversazione, i file di memoria e i dati caricati tramite MCP. Il prompt è il passaggio finale. Il context engineering è l’architettura di tutto ciò che viene inserito nella finestra.
## Perché il prompt engineering è diventato obsoleto nel 2026?
Punti chiave
Il prompt engineering è nato quando i modelli lavoravano con un unico prompt: un turno, un compito. Nel 2026 gli agenti AI operano in sessioni lunghe con strumenti, memoria, subagenti e dati recuperati al volo tramite strumenti. In questa architettura, formulare un singolo prompt non è più la competenza principale; lo è selezionare tutte le informazioni che l’agente vede.
Il cambiamento è avvenuto nell’estate del 2025.
**29 settembre 2025:** Anthropic codifica la disciplina in un articolo sul blog di ingegneria e presenta un canone di 4 principi.
Il prompt engineering non è «morto». È diventato una competenza di base, come saper digitare su una tastiera. Su questa base è emersa una disciplina senza la quale gli agenti AI si bloccano nei compiti lunghi: il context engineering.
## In cosa differisce il context engineering dal prompt engineering? 5 differenze
Punti chiave
Il prompt engineering ottimizza un singolo prompt: si scelgono le parole, il modello e il tono. Il context engineering progetta l’intero ambiente informativo che precede quel prompt: il prompt di sistema, gli strumenti, la cronologia della sessione, i file di memoria e il recupero delle informazioni. La differenza si manifesta su cinque livelli: che cosa viene ottimizzato, l’orizzonte temporale, il rischio principale, la competenza fondamentale e la fonte nel progetto.
| Aspetto | Prompt engineering | Context engineering |
|----|----|----|
| **Che cosa viene ottimizzato** | La formulazione di un singolo prompt | L’intero insieme di token: prompt di sistema + strumenti + cronologia + dati recuperati |
| **Orizzonte temporale** | Un turno | Molti turni e passaggi tra sessioni |
| **Rischio principale** | Il modello non capisce il prompt | Il modello viene sommerso dal rumore (context rot) |
| **Competenza fondamentale** | Copywriting e comprensione del modello | Architettura informativa e recupero mirato |
| **Fonte nel progetto** | Il tuo template di prompt | CLAUDE.md, file di memoria, recupero, subagenti, compattazione |
| **Metafora** | «Come scrivere un prompt» | «Che cosa sa l’AI quando la solleciti» |
Il context engineering non consiste nel «versare semplicemente più informazioni». È un **dosaggio preciso**. Troppo poco, e all’AI manca il contesto e ha delle allucinazioni. Troppo, e l’AI viene sommersa dal rumore, perde il filo nel mezzo e costa di più.
Il prompt engineering si occupava del passaggio finale. Il context engineering si occupa di tutto ciò che lo precede.
## Perché 1M di token non significa «versarli tutti nella finestra»?
Punti chiave
Nel 2026 le finestre di contesto dei modelli sono cresciute: Claude Opus 4.7 e Sonnet 4.6 supportano 1 milione di token. Questo crea l’illusione di poter versare l’intero repository nella finestra. In pratica, una finestra ampia non equivale a una memoria utile ampia: i modelli iniziano a peggiorare molto prima del limite.
Gli attuali limiti di contesto per i modelli Claude:
| Modello | Finestra di contesto | Disponibile con |
|-------------------|--------------------|--------------------------|
| Claude Haiku 4.5 | 200.000 token | tutti i piani |
| Claude Sonnet 4.6 | 1.000.000 token | Pro+ con crediti d’uso |
| Claude Opus 4.7 | 1.000.000 token | Pro, Max, Team, Enterprise |
1M di token corrispondono a circa 2.500 pagine di testo. Sembra possibile caricare tutta la documentazione del progetto, tutta la corrispondenza e tutte le specifiche, e lasciare che l’AI se la cavi. Ma Anthropic afferma chiaramente nel suo blog di ingegneria:
Dovresti considerare il contesto una risorsa finita, con rendimenti decrescenti.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
In altre parole, il contesto è una risorsa finita, con rendimenti decrescenti. Ogni token aggiuntivo non porta benefici in modo lineare. Più lunga è la finestra, peggiori sono le prestazioni del modello nel gestire le informazioni contenute al suo interno.
Nel 2026 la competenza principale non è tenere tutto aperto. È passare rapidamente da un contesto ristretto all’altro, uno per ogni compito.
## L’errore più grande: più contesto significa un risultato peggiore?
Punti chiave
Più il contesto è lungo, peggio il modello gestisce le informazioni al suo interno. Questo fenomeno si chiama context rot. Entra in gioco anche l’effetto «lost in the middle»: i modelli possono prestare meno attenzione alle informazioni centrali rispetto all’inizio e alla fine. La conseguenza pratica è che i file di memoria lunghi ti penalizzano.
Il secondo effetto, «lost in the middle», agisce in parallelo.
Una regola importante nascosta nel mezzo di un CLAUDE.md lungo può ricevere meno attenzione. È un rischio da provare nelle attività reali, non la garanzia che una certa riga venga saltata.
Anthropic raccomanda un limite di lunghezza nella documentazione di CLAUDE.md:
Cerca di mantenere CLAUDE.md sotto le 200 righe: i file più lunghi consumano più contesto e riducono il rispetto delle istruzioni.
— Anthropic, https://code.claude.com/docs/en/memory
Restare sotto 200 righe è un obiettivo della guida citata, non una soglia rigida oltre cui il rispetto delle regole si interrompe. L’intervallo 80-120 è la preferenza operativa dell’autore nei progetti descritti, non un altro requisito Anthropic. Mantieni pertinenti le istruzioni e verifica le regole importanti: ogni riga aggiunta compete per attenzione e contesto. Per saperne di più su come configurare CLAUDE.md entro questo limite, consulta la guida [«Come configurare CLAUDE.md nel 2026»](https://ailoot.ai/blog/it/claude-md-template/).
## 5 principi del context engineering secondo Anthropic
Punti chiave
Nel suo articolo sul blog di ingegneria del 29 settembre 2025, Anthropic ha registrato 5 strategie fondamentali per il contesto: risorsa finita, recupero just-in-time, presa di appunti strutturata, compattazione e architetture con subagenti. Questo è il canone citato oggi da tutti gli altri autori sull’argomento.
### Principio 1. Il contesto è una risorsa finita
Questa è la premessa fondamentale, senza la quale gli altri quattro principi non funzionano. Anthropic scrive:
Il consiglio generale per tutti i componenti del contesto (prompt di sistema, strumenti, esempi, cronologia dei messaggi ecc.) è di usarli con criterio e mantenere un contesto informativo ma denso.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
«Denso» significa «senza riempitivi». Ogni token nella finestra dovrebbe modificare in modo sostanziale la decisione del modello. Se una riga in CLAUDE.md dice «cerchiamo di scrivere codice pulito», puoi eliminarla: non trasmette alcun segnale.
### Principio 2. Recupero just-in-time
L’agente AI recupera i dati al volo tramite strumenti, invece di precaricare tutto nella finestra. Questa è l’architettura di Claude Code: invece di usare un database vettoriale o un indice, l’agente usa `glob` e `grep`, come farebbe un ingegnere che cerca codice manualmente.
Quando usarlo: **non sai in anticipo** quali passaggi serviranno per il compito.
### Principio 3. Presa di appunti strutturata
L’agente scrive appunti in uno spazio di archiviazione esterno e li carica quando servono. In Claude Code, questo avviene tramite lo strumento di memoria. Anthropic lo descrive nel proprio cookbook così:
La memoria consiste in appunti strutturati: l’agente scrive in uno spazio di archiviazione esterno persistente per tenere traccia dei progressi tra compiti e sessioni, senza mantenere tutto nel contesto attivo.
— Anthropic Cookbook, https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools
Quando usarla: sessioni lunghe, passaggi tra sessioni e accumulo di conoscenze sul progetto.
### Principio 4. Compattazione
Compressione della cronologia dei messaggi in un riepilogo quando si avvicina il limite. In Claude Code, si usa il comando `/compact`, oltre alla compattazione automatica quando la finestra raggiunge circa l’80%. Anthropic scrive:
La compattazione comprime l’intera finestra quando diventa troppo grande.
— Anthropic Cookbook, https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools
Quando usarla: conversazioni analitiche lunghe in cui la cronologia della chat è diventata zavorra e riempie la finestra invece di essere d’aiuto.
### Principio 5. Architetture con subagenti
Subagenti specializzati lavorano in parallelo nelle proprie finestre di contesto e restituiscono riepiloghi compressi all’agente principale. Anthropic scrive:
I subagenti aiutano a comprimere: lavorano in parallelo nelle proprie finestre di contesto mentre esaminano contemporaneamente diversi aspetti di una domanda.
— Anthropic Engineering, https://www.anthropic.com/engineering/multi-agent-research-system
Dati del loro test interno: un agente principale Claude Opus 4 più subagenti Claude Sonnet 4 offrono una **qualità superiore del +90.2%** rispetto a un singolo Claude Opus 4 nei compiti di ricerca. Il costo: circa 15× più token. In sintesi: questa soluzione è giustificata quando il risultato ha valore.
Per saperne di più su come configurare i subagenti in Claude Code, consulta la guida [«Subagenti per Claude Code»](https://ailoot.ai/blog/it/claude-code-subagents/).
## 7 errori che bruciano token e compromettono Claude Code
Punti chiave
Sette antipattern comuni illustrati con esempi di progetto. Ognuno spreca token senza vantaggi o causa allucinazioni dovute al context rot. Di seguito, per ciascuno, trovi il modo in cui il context engineering lo affronta.
| \# | Antipattern | Che cosa succede | Come risolvere |
|----|----|----|----|
| 1 | **Incollare l’intero README e 5 file di codice in un solo prompt** | La finestra si riempie per il 50% in un turno, poi raggiunge rapidamente il limite | Usa lo strumento di memoria per i fatti a lungo termine e il recupero just-in-time: lascia che Claude legga i file tramite `read_file`/`glob` |
| 2 | **CLAUDE.md con 500 righe** | Istruzioni lunghe possono ridurre l’aderenza, soprattutto con regole importanti nascoste nel mezzo | 80-120 righe, imperativi, sezioni per comandi e stile. Metti le informazioni più importanti all’inizio e alla fine |
| 3 | **Non eseguire `/compact` nelle sessioni lunghe** | Una sessione raggiunge 180k token, Claude dimentica i primi messaggi e tu ripeti il contesto a mano | Esegui `/compact` manualmente o usa la compattazione automatica con un trigger. Un segnale di sovraccarico è l’indicatore di utilizzo del contesto nell’app desktop Claude |
| 4 | **Usare un solo Claude per tutto** | Un agente pianifica, cerca, scrive codice, revisiona e testa: la finestra cresce in modo esponenziale | Usa i subagenti: ciascuno ha il proprio contesto e l’agente principale raccoglie i riepiloghi. Anthropic riporta una qualità superiore del +90.2% nei compiti di ricerca |
| 5 | **File di memoria che crescono con i risultati degli strumenti** | L’agente rilegge lo stesso file 5 volte, riempiendo il 96% del contesto con i risultati delle chiamate agli strumenti | Cancella i risultati degli strumenti: mantieni gli ultimi 4-6 risultati e cancella gli altri. Si conserva il fatto che la chiamata è avvenuta |
| 6 | **Incollare l’intero repository nella cartella `examples/`** | L’AI cerca uno schema tra 200 esempi e si perde | Inserisci in `examples/` 3-7 schemi canonici, ciascuno per un tipo specifico di compito |
| 7 | **Un elenco Markdown di 200 righe come «piano delle funzionalità»** | Un elenco lungo e non strutturato può rendere difficile seguire il compito; non esiste un punto di rottura universale alla riga 50 | Usa un artefatto HTML o un piano numerato in un file separato |
Il Cookbook di Anthropic descrive una misura specifica per l’errore n. 5: nella sessione di riferimento, il primo documento nel contesto (sui C. elegans) era tecnicamente presente nella finestra, ma sepolto sotto 335k token. Tecnicamente disponibile. In pratica, il modello non lo ricordava. Con lo strumento di memoria, il problema si risolve così: il file di appunti `aging_model_organisms_comparison.md` occupa circa 3000 token, invece di ricaricare il corpus originale.
Un’analogia domestica: la finestra di contesto è una scrivania. Se ci sono 200 documenti sopra, non troverai quello che ti serve anche se è lì. Il context engineering è la disciplina che consiste nel «tenere sulla scrivania solo ciò che serve adesso, archiviare il resto e caricarlo quando richiesto».
## Come mettere insieme una configurazione funzionante in una sera?
Punti chiave
Una configurazione minima funzionante di context engineering in Claude Code ha 7 elementi: CLAUDE.md, esempi, documenti PRP, strumento di memoria, /compact, subagenti e recupero just-in-time tramite strumenti. Il framework di base richiede 30-40 minuti per la configurazione; una configurazione completa con esempi e prompt verificati richiede una sera. Puoi perfezionarla man mano.
I sette passaggi, in ordine:
1. **CLAUDE.md con 80-120 righe.** Nella radice del progetto. Usa imperativi, non descrizioni. Nella [documentazione ufficiale](https://code.claude.com/docs/en/memory), Anthropic raccomanda il principio `Specificity`: le regole devono essere concrete e inequivocabili, non principi generali. In pratica, «non usare mai mock inline nei test» funziona meglio di «cerchiamo di scrivere codice pulito». Per un modello dettagliato, consulta la guida [«Come configurare CLAUDE.md»](https://ailoot.ai/blog/it/claude-md-template/).
2. **Una cartella `examples/` con 3-7 schemi verificati.** Un esempio per ogni schema comune: una chiamata API, la scrittura di un test, una migrazione, la gestione degli errori. Quando Claude vede uno schema in `examples/`, lo riproduce esattamente. Senza esempi, procede a tentoni.
3. **Documenti PRP per le funzionalità principali.** PRP = Product Requirements Prompt. Un file per funzionalità: contesto, piano, convalida ed esempi.
4. **Uno strumento di memoria per i fatti a lungo termine tra sessioni.** Nel Cookbook di Anthropic, lo strumento di memoria di Claude è implementato come archivio strutturato di appunti. Quando l’agente riprende un compito in una nuova sessione, legge prima gli appunti, invece di rileggere l’intero corpus.
5. **`/compact` e compattazione automatica all’80% del limite.** Non aspettare che la finestra raggiunga il limite massimo. Attiva la compattazione automatica nelle impostazioni o esegui `/compact` quando la sessione sembra girare in tondo.
6. **Subagenti per ricerca / revisione / pianificazione.** Ogni subagente ha il proprio contesto e un prompt circoscritto. L’agente principale riceve solo il riepilogo, non il materiale grezzo. Consulta [«Subagenti per Claude Code»](https://ailoot.ai/blog/it/claude-code-subagents/) e [«Skills per Claude Code»](https://ailoot.ai/blog/it/claude-code-skills-library/) per saperne di più (le Skills permettono di raggruppare competenze specifiche in una skill che Claude applica automaticamente).
7. **Recupero just-in-time invece del precaricamento.** Non versare l’intero repository nella finestra. Lascia che Claude cerchi da sé con `glob` e `grep`. Questa è l’architettura di Claude Code.
Altre regole pratiche dall’esperienza di progetto descritta:
- **Un compito, una finestra.** Quando hai finito, chiudila e aprine una nuova. Non accumulare la cronologia di più compiti consecutivi.
- **Modello per il primo comando in una nuova finestra.** Usa ogni volta lo stesso testo: «Leggi, in ordine, `CLAUDE.md` e l’area del compito. Conferma con una riga. Non iniziare il compito; attendi il messaggio successivo.» Nel flusso di lavoro descritto, questo modello è salvato nell’editor degli snippet sotto un unico tasto di scelta rapida.
- **Quando la finestra di contesto supera il 60%, passa a una nuova.** Tecnica intermedia: chiedi a Claude «scrivi un prompt affinché la chat vicina possa continuare il tuo compito senza perderne il significato», copialo e apri una nuova finestra.
- **Ogni errore dell’AI è un motivo per aggiungere una regola.** Non scrivere regole nei file di memoria a mano. Quando si verifica l’errore, dì a Claude «è sbagliato perché...» e il sistema formatterà la regola in un file secondo la convenzione «Regola → Perché → Come».
## E adesso? Come si svilupperà la disciplina del context engineering?
Punti chiave
Nel 2026 il context engineering si sta spostando dai file Markdown basati sul testo verso formati più strutturati. È apparsa la funzionalità Dreaming, in cui un agente riesamina durante la notte le sessioni passate. I prossimi passi sono gli artefatti HTML, la memoria persistente e l’orchestrazione multiagente dell’intero team di prodotto.
Una direzione in cui la disciplina si sta muovendo:
**Dreaming: riesame notturno delle sessioni.** Al Code w/ Claude SF del 6 maggio 2026, Anthropic ha mostrato una funzionalità in cui un agente riesamina durante la notte le sessioni passate e aggiorna i propri appunti. Ora i file di memoria strutturata crescono non solo quando li scrivi, ma anche quando l’agente trae conclusioni dall’esperienza accumulata.
Una tendenza è chiara: il context engineering sta diventando una disciplina completa per progettare le informazioni destinate agli agenti AI, non solo «come scrivere CLAUDE.md». Il prompt engineering era uno dei primi livelli di questa disciplina. Il context engineering è il successivo.
Il minimo che vale la pena preparare la prima sera: configurare CLAUDE.md a 80-120 righe (guida [qui](https://ailoot.ai/blog/it/claude-md-template/)), creare una cartella con una struttura per le conoscenze aziendali, imparare a usare `/compact` e [smettere di bruciare i limiti](https://ailoot.ai/blog/it/claude-code-token-limits-saving/).
Poi aggiungi i subagenti ([guida](https://ailoot.ai/blog/it/claude-code-subagents/)) e le [Skills](https://ailoot.ai/blog/it/claude-code-skills-library/) per trasferire le competenze specialistiche dal contesto condiviso a skill dedicate.
### Fonti
- [Effective context engineering for AI agents](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) - Anthropic Applied AI team, 29.09.2025. Il testo canonico con 4 principi del context engineering.
- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system) - Anthropic Engineering, 13.06.2025. Fonte dei dati relativi alla qualità superiore del +90.2% e ai 15× token.
- [Anthropic Cookbook - Context engineering with tool use](https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools) - Primitivi pratici: compattazione, cancellazione dei risultati degli strumenti e strumento di memoria.
- [Claude Code Memory docs](https://code.claude.com/docs/en/memory) - Indicazioni su istruzioni di progetto concise e specifiche; l’obiettivo citato è sotto 200 righe. L’intervallo 80-120 è una preferenza dell’autore.
Scopri [Ailoot](https://ailoot.ai/).
## Domande frequenti
### 200 righe sono un limite rigido per CLAUDE.md?
No. La guida citata consiglia di restare sotto 200 righe per risparmiare contesto e favorire il rispetto delle istruzioni. L’intervallo 80-120 è una preferenza pratica dell’autore: verifica le regole importanti su attività reali, senza considerare il conteggio una garanzia.
### Cosa sposto fuori dal contesto iniziale?
Sposta esempi dettagliati, risultati lunghi degli strumenti e riferimenti specifici dell’attività in file separati. Mantieni in CLAUDE.md regole e rimandi concisi, recuperando i passaggi pertinenti quando servono.
## Ailoot · L’azienda e il suo portafoglio di progetti
Ailoot si basa su un’esperienza operativa consolidata, un’ampia base di clienti, un servizio stabile e un controllo costante dei KPI.
L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese.
Ailoot mette questa esperienza operativa al servizio dell’accesso API alle funzioni AI nei prodotti dei clienti, negli agenti, nelle applicazioni e nelle automazioni.