Três termos aparecem juntos, soam parecidos e confundem muita gente. A diferença, em uma linha: contexto é o que a IA vê agora, memória é o que ela lembra depois e harness é o que mantém tudo funcionando. Abaixo, cada um com calma.
Engenharia de contexto
É o trabalho de otimizar o que entra na conversa com a IA naquele momento. Todo modelo tem um limite de quanto consegue "ler" de uma vez (a janela de contexto), então o objetivo é maximizar sinal e cortar ruído: colocar a informação certa, no formato certo, sem excesso. Quanto melhor o que entra, melhor o que sai.
É arrumar a mesa antes de começar a trabalhar: deixar apenas as ferramentas que você vai usar, na ordem certa e sem distrações em volta.
Engenharia de memória
É como você implementa sistemas que aprendem e lembram entre uma conversa e outra. Envolve quatro perguntas: como a IA guarda o que interessa, como recupera essa informação quando precisa, como esquece o que se tornou irrelevante e como atualiza o que mudou. É o que transforma um assistente que reinicia do zero a cada conversa em um agente que evolui com você.
É dar um cérebro de longo prazo para o agente, em vez de fazer com que ele comece do zero todos os dias.
Engenharia de harness
Harness é tudo que fica em volta da IA: o código, as ferramentas, as regras e a estrutura de suporte que fazem o agente funcionar de verdade. O modelo é o motor; o harness é o carro inteiro em volta dele: direção, freio, painel e chassi. É a parte de engenharia que define como o agente age, quais ferramentas pode usar e como deve se comportar.
Harness, em inglês, significa "arreio": uma estrutura que sustenta e conduz. Sem ele, você tem um modelo potente, mas sem direção prática.
O resumo para fixar
Contexto: o que a IA vê agora.
Memória: o que ela lembra depois.
Harness: o que mantém tudo funcionando.
Onde aprender a fundo
A parte de memória de agentes, que é a mais nova e a que mais gera valor em produto, tem um curso gratuito da DeepLearning.AI em parceria com a Oracle, o Agent Memory: Building Memory-Aware Agents. O curso cobre padrões reais de memória (gerenciadores de memória, extração, consolidação e memória que se atualiza sozinha) com prática. É um bom ponto de partida para quem quer construir agentes que lembram.