Context Degradation: diagnostique quando o agente perde o fio

ANÁLISE EDITORIAL

Quando um agente começa a ignorar uma regra já fornecida, repetir um erro antigo ou misturar tarefas, o problema pode não estar no tamanho nominal da janela de contexto. Pode estar na forma como instruções, documentos, mensagens e resultados de ferramentas foram acumulados. Context Degradation oferece um vocabulário prático para investigar essa perda de qualidade antes de tentar resolver tudo com mais prompt.

A Skill pertence ao repositório comunitário Agent Skills for Context Engineering. A curadoria fixou o commit 6dbe1a1d868eab51a3bc9011b0f55e2891513e40. Nesse snapshot, o SKILL.md declara a versão 2.1.0. Em 29 de agosto de 2026, a API pública do GitHub registrava 17.863 estrelas, repositório ativo e licença MIT.

Ilustração editorial exclusiva: a capa representa blocos de contexto atravessando uma zona central desfocada, com uma informação contaminada isolada e fontes divergentes separadas. Não é captura de tela, medição de atenção, interface real, logotipo, diagnóstico executado ou selo de desempenho.

O que esta Skill faz de verdade

A instrução separa cinco padrões. Lost in the middle descreve informação relevante que existe no contexto, mas perde influência quando fica enterrada entre muitos elementos. Envenenamento de contexto ocorre quando um fato incorreto, um erro de ferramenta ou um resumo ruim passa a alimentar decisões posteriores. Distração é o excesso de material irrelevante. Confusão aparece quando restrições de tarefas diferentes se misturam. Choque de contexto acontece quando fontes corretas, mas incompatíveis, entram sem regra de precedência.

Esse mapa não detecta automaticamente a causa. Ele ajuda a formular hipóteses, coletar evidências e escolher uma mitigação: escrever estado fora da janela, selecionar apenas o necessário, comprimir material relevante ou isolar tarefas. A Skill não aumenta a janela do modelo, não recupera informação apagada e não prova que um texto no meio será ignorado.

Há fundamento para investigar posição. O artigo revisado por pares Lost in the Middle encontrou desempenho frequentemente melhor quando a informação relevante estava no início ou no fim, com queda em posições intermediárias nos modelos e tarefas avaliados. Isso não autoriza converter a observação em porcentagem universal.

Para quem serve

Serve a equipes que mantêm agentes com conversas longas, recuperação de documentos, muitas ferramentas ou execução em várias etapas. Um sinal típico é o agente funcionar bem com um caso curto e piorar depois de receber logs, resultados de busca, revisões e mudanças de objetivo.

Também é útil para quem desenha RAG, assistentes internos, agentes de código e processos de atendimento. A Skill oferece perguntas concretas: qual afirmação entrou primeiro, qual fonte prevalece, quais resultados de ferramenta continuam relevantes e quais tarefas deveriam estar em sessões separadas.

Ela não serve como placar automático de qualidade. Se o prompt falha com pouco contexto, a causa pode ser ambiguidade, ferramenta mal descrita ou requisito ausente. Se a saída varia em uma execução isolada, pode ser variação normal. Compare condições repetidas antes de atribuir a falha à degradação.

Compatibilidade e pré-requisitos

O núcleo é Markdown e pode ser lido por clientes compatíveis com Agent Skills, incluindo ambientes que carregam uma pasta com SKILL.md e referências relativas. O repositório informa uso com Claude Code, Cursor e outros clientes compatíveis, mas cada instalação deve ser validada no cliente escolhido.

O pacote local contém o SKILL.md, references/patterns.md, LICENSE e ORIGEM.md. Não contém o arquivo Python do projeto. O script excluído simula uma curva de atenção com números aleatórios e aplica heurísticas de texto; portanto, não deve ser apresentado como medidor real do modelo.

Para um diagnóstico útil, prepare um caso reproduzível, uma resposta esperada, o histórico ou conjunto de documentos, a versão do modelo e uma forma de medir acerto. Sem baseline curto e repetições, a classificação vira apenas impressão.

Instalação recomendada

Abra o README fixado no commit e confirme como seu cliente descobre Skills. Para instalar somente este módulo, copie a pasta skills/context-degradation para o diretório de Skills do projeto. Preserve SKILL.md e a pasta references.

Faça primeiro em um projeto descartável. Compare os arquivos com o commit auditado e não habilite scripts só porque estão no repositório. O snapshot do Bastidores é voltado à leitura e à revisão. Ele não substitui o repositório oficial nem instala componentes.

Se optar pelo marketplace completo documentado pelo mantenedor, saiba que ele expõe várias Skills além desta. Revise o conjunto e evite carregar módulos adjacentes sem necessidade, pois o próprio tema da página é reduzir contexto desnecessário.

Configuração antes do primeiro uso

Defina o que conta como falha. Pode ser esquecer uma restrição, escolher ferramenta errada, citar fonte antiga, responder à tarefa anterior ou deixar de recuperar um fato conhecido. Registre o resultado esperado antes de testar.

Monte duas condições comparáveis. A primeira usa contexto curto, apenas com instruções e evidências essenciais. A segunda acrescenta o histórico real ou uma quantidade progressiva de documentos. Mantenha modelo, temperatura, ferramenta e pergunta iguais. Repita o suficiente para separar tendência de uma saída isolada.

Classifique cada elemento do contexto por origem: sistema, usuário, documento recuperado, saída de ferramenta ou resumo gerado. Marque data, versão e confiança. Essa proveniência permite localizar quando uma afirmação incorreta entrou e evita corrigir o agente apenas com mais texto.

Primeiro uso seguro

Comece com um incidente já conhecido e sem dados sensíveis. Reproduza primeiro no contexto curto. Se a resposta já falhar, revise prompt, ferramenta e critério. Se funcionar, acrescente blocos aos poucos até observar uma mudança consistente.

Quando a posição for suspeita, mova a mesma evidência entre início, meio e fim sem alterar seu conteúdo. O objetivo é verificar sensibilidade na sua tarefa, não provar uma lei geral. O estudo Lost in the Middle usou tarefas controladas e modelos específicos; versões atuais podem se comportar de maneira diferente.

O benchmark RULER amplia testes simples de recuperação com múltiplas agulhas, rastreamento e agregação. O código público do RULER também documenta limitações e afirma que não substitui tarefas realistas. Use-o como referência metodológica, não como nota transferível ao seu agente.

Como separar os cinco padrões

Informação perdida no meio: a resposta melhora quando a mesma evidência muda de posição ou quando o contexto é reduzido. Envenenamento: um erro identificável passa a ser repetido por resumos e decisões posteriores. Distração: documentos irrelevantes derrubam o desempenho mesmo sem contradizer a fonte correta.

Confusão: o agente aplica regras de outra tarefa, usa ferramentas do fluxo anterior ou mistura formatos. Choque: duas fontes válidas descrevem versões, ambientes ou perspectivas diferentes, e o agente escolhe uma sem explicar precedência.

As categorias podem coexistir. Um documento antigo pode criar choque de versão e, depois, contaminar um resumo. Registre a primeira evidência observável e teste uma alteração por vez.

Como aplicar Write, Select, Compress e Isolate

Write move estado durável para arquivos ou armazenamento externo. É adequado para decisões, fontes e progresso que precisam sobreviver sem ocupar toda a janela. A Skill Planning With Files é relacionada, mas resolve persistência de trabalho, não o diagnóstico dos cinco padrões.

Select recupera somente o necessário para a etapa atual. Exija filtro por tarefa, data, versão e fonte. Compress substitui material longo por um resumo verificável, preservando decisões, pendências e referências. Um resumo sem proveniência pode se tornar nova fonte de envenenamento.

Isolate separa tarefas, sessões ou agentes quando objetivos e ferramentas não deveriam compartilhar estado. É a intervenção mais forte e pode aumentar custo e coordenação. Use-a quando houver independência real, não apenas porque o contexto ficou grande.

Como tratar números e heurísticas

O SKILL.md contém faixas como 60% a 70% da janela, exemplos de queda e gatilhos de compactação. Trate esses valores como hipóteses do autor. Percentuais e limiares não são universais. Eles não foram verificados para todos os modelos, tarefas ou versões e podem envelhecer rapidamente.

O artigo RULER encontrou que apenas metade dos 17 modelos avaliados, todos anunciando 32 mil tokens ou mais, manteve desempenho considerado satisfatório em 32 mil tokens. Esse resultado pertence à configuração do estudo de 2024. Não significa que metade dos modelos atuais falha no mesmo ponto.

A afirmação sobre attention sinks tem pesquisa própria. O artigo Efficient Streaming Language Models with Attention Sinks observou forte atenção a tokens iniciais em um cenário de linguagem contínua e cache. Isso não transforma o primeiro token em explicação única para toda perda no meio.

Resultado esperado

O melhor resultado é um relatório curto com sintoma, baseline, hipótese, evidência, teste, mudança aplicada e efeito medido. Uma conclusão responsável pode dizer que o erro aparece após inserir determinados documentos, desaparece ao filtrar versões antigas e retorna em repetições controladas.

Outro resultado válido é descartar a hipótese de degradação. Se o caso curto também falha, a correção deve mirar prompt, dados, ferramenta ou critério. A Skill é útil justamente quando impede que todo problema seja atribuído ao tamanho da conversa.

Preserve os casos de teste e as versões. Assim, uma atualização de modelo pode ser comparada sem reutilizar percentuais antigos como verdade.

Permissões, privacidade e riscos

O texto da Skill não acessa dados sozinho. O risco surge quando históricos, documentos internos, prompts de sistema e saídas de ferramentas são coletados para diagnóstico. Minimize o corpus, remova segredos e dados pessoais e use ambiente autorizado.

Compactar ou truncar pode apagar decisões importantes. Isolar tarefas pode quebrar dependências. Filtrar por relevância pode excluir uma exceção crítica. Antes de automatizar qualquer ação, gere preview, mantenha fonte original e permita reversão.

A licença MIT permite redistribuição com o aviso incluído. Ela não concede direito sobre dados analisados, modelos de terceiros ou documentos colocados no contexto.

Erros comuns

Usar o script excluído como detector real. O código do repositório declara que simula atenção e usa tokenização e padrões simplificados. Ele é demonstração, não observabilidade do modelo.

Aplicar um limiar universal. Não compacte automaticamente em 70% apenas porque o número aparece na Skill. Meça o ponto de queda no workload real e mantenha margem revisável.

Adicionar correções sobre contexto contaminado. Se uma afirmação falsa continua sendo resumida e citada, identifique a origem, remova o trecho e reinicie com evidência verificada. Apenas acrescentar “ignore o anterior” pode manter o erro competindo por atenção.

Confundir contradição com falsidade. Duas documentações podem ser corretas para versões diferentes. Marque versão, ambiente e precedência antes de descartar uma delas.

Versão, licença e origem verificadas

O snapshot usa o commit 6dbe1a1d868eab51a3bc9011b0f55e2891513e40, que era a cabeça da branch principal na consulta. A Skill declara versão 2.1.0. O repositório também publica releases do conjunto, incluindo a release v2.3.0, mas a versão do módulo e a versão do projeto não devem ser confundidas.

A licença MIT foi lida no mesmo commit. As 17.863 estrelas foram consultadas em 29/08/2026 e podem mudar. O número pertence ao repositório inteiro, não comprova a eficácia desta subpasta.

O pacote documental preserva SKILL.md, referência, licença e origem. O Python foi deliberadamente excluído por ser executável e simulador. O repositório oficial continua sendo a fonte para alterações futuras.

Checklist antes de automatizar

• Fixe commit, versão do modelo e conjunto de teste.
• Defina sintoma e baseline antes de diagnosticar.
• Repita o caso curto e o longo em condições comparáveis.
• Registre origem, data, versão e confiança de cada bloco.
• Teste posição sem mudar o conteúdo da evidência.
• Trate percentuais da Skill como hipóteses, não regras universais.
• Gere preview antes de filtrar, compactar, truncar ou isolar.
• Proteja prompts de sistema, documentos internos, logs e dados pessoais.

O download local abaixo é um snapshot documental auditado para leitura e conferência. Ele não inclui o simulador Python e não executa diagnóstico. SHA-256 do ZIP: 3984a6289136566625d33fc298516d4790e0bef13c6ffd062420f21f955b8eec.