1) Agent przechowuje lekkie referencje (ścieżki plików, zapisane zapytania, linki) zamiast pełnych danych. 2) W trakcie działania rozpoznaje, jakie informacje są potrzebne do bieżącej decyzji. 3) Używa narzędzi (np. grep, glob, Bash head/tail, pobieranie stron), by dynamicznie sięgnąć po dane bez ładowania całych obiektów do kontekstu. 4) Korzysta z metadanych środowiska (rozmiary plików sugerują złożoność, nazwy sugerują przeznaczenie, znaczniki czasu przybliżają istotność) jako sygnałów nawigacyjnych. 5) Dzięki progresywnemu ujawnianiu (progressive disclosure) każda interakcja dostarcza kontekstu informującego kolejny krok, a w pamięci roboczej pozostaje tylko to, co niezbędne. Wymaga to przemyślanej inżynierii — właściwych narzędzi i heurystyk — bo bez tego agent marnuje kontekst, błędnie używając narzędzi lub podążając w ślepe zaułki.
Wstępne ładowanie całego kontekstu wypełnia okno modelu, podnosi koszty i pogarsza jakość odpowiedzi z powodu "context rot" — im więcej tokenów, tym gorsza zdolność modelu do trafnego przywołania istotnych informacji. Klasyczny pre-retrieval oparty na embeddingach cierpi też na nieaktualne indeksy i sztywne pipeline'y. Just-in-Time Retrieval ogranicza te problemy, utrzymując w kontekście tylko dane faktycznie potrzebne w danym kroku.
Ścieżki plików, zapisane zapytania i linki webowe przechowywane zamiast pełnych danych; wskazują, skąd pobrać treść na żądanie.
Oficjalna
Narzędzia wykonywane w trakcie działania, które dynamicznie sięgają po dane — np. grep, glob, Bash head/tail, pobieranie stron — bez ładowania całych obiektów.
Oficjalna
Hierarchia katalogów, konwencje nazewnicze, rozmiary plików i znaczniki czasu jako wskazówki o złożoności, przeznaczeniu i istotności danych.
Iteracyjny mechanizm, w którym każda interakcja dostarcza kontekstu informującego kolejną decyzję; agent buduje zrozumienie warstwa po warstwie.
Bez właściwych heurystyk agent podąża w ślepe zaułki, błędnie używa narzędzi lub nie rozpoznaje kluczowych informacji.
Eksploracja na żądanie jest wolniejsza niż pobranie danych wstępnie policzonych z powodu wielu round-tripów.
Niespójne nazewnictwo i struktura katalogów pozbawiają agenta sygnałów nawigacyjnych i pogarszają trafność pobrań.
Retrieval-Augmented Generation popularyzuje wstępne pobieranie i wstrzykiwanie danych do kontekstu — punkt odniesienia, wobec którego pozycjonuje się strategia just-in-time.
Artykuł "Effective context engineering for AI agents" (29.09.2025) definiuje strategię just-in-time i opisuje jej hybrydowe zastosowanie w Claude Code.
Wielokrotne round-tripy narzędziowe i operacje I/O w trakcie działania wprowadzają opóźnienie; to główny koszt w zamian za mniejsze zużycie kontekstu.
Limit round-tripów narzędziowych na zadanie; równoważy dokładność z opóźnieniem i kosztem.
Ile danych ładuje się w pojedynczym kroku (np. cały plik vs. fragment przez head/tail/grep).
Jaka część kontekstu jest ładowana z góry (np. CLAUDE.md), a jaka pobierana na żądanie.
Jak dobrze nazewnictwo, struktura katalogów i znaczniki czasu prowadzą agenta do właściwych danych.
Ładowanie danych następuje warunkowo — tylko gdy agent uzna je za potrzebne.
Agent w trakcie działania decyduje, które dane pobrać, na podstawie bieżącej potrzeby i sygnałów metadanych.
Progresywne ujawnianie jest z natury sekwencyjne — kolejny krok zależy od wyniku poprzedniego. Niezależne pobrania mogą być częściowo zrównoleglone.
To wzorzec orkiestracji na poziomie oprogramowania/agenta, niezależny od konkretnego akceleratora.
