AI-codeeragents falen meestal niet omdat het model ineens nutteloos is geworden. Vaak gaat het mis omdat de context vervuild is geraakt. Naarmate het contextvenster volloopt, wordt het model minder precies, minder consistent en gaat het eerder uit van verouderde aannames van eerder in het gesprek. Het past misschien het verkeerde bestand aan, introduceert een oude bug opnieuw, vergeet randvoorwaarden of lost een oude versie van het probleem op. Dat noemen we contextvervuiling.
Een contextvenster is geen echt geheugen. Het is de huidige werkset van het model: instructies, bestanden, terminallogs, stack traces, eerdere pogingen, tooloutput, beslissingen en je laatste verzoek. Is die werkset schoon, dan redeneert het model beter. Is hij overvol, dan concurreert elk irrelevant token met de informatie die er op dat moment echt toe doet.
Daarom behandelen engineers die met tools als Codex, Claude Code, OpenCode en Cursor werken een lange taak niet als één eindeloos gesprek. Ze knippen het werk op in fases: onderzoek, scope, ontwerp, setup, implementatie, integratie, testen, refactoren en documentatie. Elke fase heeft een duidelijk doel, een beperkte set relevante bestanden, een heldere definition of done en een korte overdracht voordat de volgende fase begint.
Een goede workflow is eenvoudig: leg het plan vast in plan.md, deel het op in fases, rond één fase af, werk het plan bij, vat samen wat er veranderd is en beslis dan of je /compact gebruikt of een nieuwe sessie start. Het doel is niet om het hele gesprek te bewaren. Het doel is om precies die stand van zaken te bewaren die nodig is voor de volgende juiste stap.
Gebruik /compact als de huidige sessie nog de goede kant op gaat, maar te vol zit. Het gesprek wordt dan samengevat tot een compacter overzicht: de belangrijke beslissingen, bestanden, randvoorwaarden en de huidige stand blijven behouden, terwijl veel operationele ruis verdwijnt. Dat is handig tussen fases, als het plan nog klopt, de architectuur nog helder is en je continuïteit wilt zonder elk commando, elke log en elke mislukte poging mee te slepen.
Start een nieuwe sessie als de context niet alleen vol is, maar vervuild. Blijft de agent vasthouden aan oude aannames, haalt hij verlaten benaderingen door elkaar met de huidige, zit hij steeds in het verkeerde deel van de code te sleutelen, of is de taak een andere kant op gegaan? Dan kan compaction een deel van die verwarring juist bewaren. Een frisse sessie met een schone overdracht in plan.md werkt dan vaak beter: het huidige doel, het afgeronde werk, de gewijzigde bestanden, bekende problemen, de teststatus en de volgende taak.
Dat is ook waarom OpenAI en Anthropic het zo vaak hebben over contextmanagement, compaction, geheugen, agent harnesses, subagents en langlopende workflows. OpenAI noemt contextmanagement een van de grote uitdagingen bij omvangrijke agentische taken en raadt aan Codex een plattegrond te geven in plaats van een lijvige handleiding. Anthropic beschrijft compaction als een manier om een bijna vol contextvenster samen te vatten en verder te werken met een schonere werkset.
Prompt engineering was de eerste laag. Context engineering is de volgende. De beste AI-engineers zijn niet alleen goed in het vertellen wat het model moet doen. Ze zijn ook goed in het beheren van de omgeving waarin het model werkt.
Een schone context zorgt voor scherper redeneren. Een vervuilde context laat zelfs sterke modellen dom overkomen.
Dus de volgende keer dat je AI-codeeragent rare beslissingen begint te nemen, geef dan niet meteen het model de schuld. Stel jezelf liever deze vraag: is de context nog schoon genoeg voor deze taak? Soms is de slimste zet om het plan op te slaan, de huidige fase af te ronden, te compacten als de sessie nog gezond is, of opnieuw te beginnen met een nieuwe sessie als de context al vervuild is.
Het lezen waard:
- OpenAI — Harness engineering: leveraging Codex in an agent-first environment
- OpenAI Codex-documentatie — Context management, compaction en subagents
- Anthropic — Claude Code best practices
- Anthropic — Effective context engineering for AI agents
- Anthropic — Context compaction for long-running conversations and agentic tasks
