Vi börjar få en tydligare bild av hur stor ytan för kontextingenjörskonst kommer att vara. För att bygga AI-agenter borde det i teorin vara så enkelt som att ha en superkraftfull modell, ge den en uppsättning verktyg, ha en riktigt bra systemprompt och ge tillgång till data. Kanske blir det verkligen så här enkelt någon gång. Men i praktiken, för att skapa agenter som fungerar idag, måste du hantera en känslig balans mellan vad du ska ge till den globala agenten kontra en subagent. Vilka saker ska man göra agentisk kontra bara ett deterministiskt verktygsval. Hur man hanterar de inneboende begränsningarna i kontextfönstret. Man var tvungen att lista ut hur man hämtar rätt data för användarens uppgift, och hur mycket beräkning man skulle lägga på problemet. Hur man bestämmer vad man ska göra snabbt och riskera kvalitetsförluster, kontra långsamt men kanske irriterande. Och oändliga andra frågor. Hittills finns det inget enda rätt svar på något av detta, och det finns meningsfulla kompromisser för varje tillvägagångssätt du väljer. Och viktigast av allt, för att få detta rätt krävs en djup förståelse för det område där du löser problemet. Att hantera detta problem inom AI-kodning skiljer sig från juridik, som i sin tur skiljer sig från sjukvården. Det är därför det finns så mycket möjligheter för AI-agentspel just nu.