File-Native Context Engineering: как структурировать знания для LLM в файлах

Парадокс: Засунуть всё в промпт — хуже чем дать модели файлы и инструменты поиска. 9,649 экспериментов на SQL generation показали: frontier модели (Claude, GPT, Gemini) стали точнее на +2.7% когда искали данные в файлах через grep/read вместо чтения из промпта. Но для половины open-source моделей файлы убили точность: Qwen и Llama Maverick потеряли до 22%. Фишка подхода: навигируемая база знаний вместо монолитного контекста. Раскладываешь информацию по файлам (schema.yaml, rules.md, navigator.md) — модель сама находит релевантный кусок и читает только его. Решает проблему "lost in the middle" и экономит токены.