When AI systems fail in production, the most common diagnosis is: the model received the wrong context. Not the wrong prompt — the wrong information. A customer service AI that doesn't know a customer's account status. A code review AI that doesn't have the relevant existing codebase architecture. A procurement AI that doesn't have current supplier pricing. The model is capable. The context window is empty of what matters.

This is why context engineering is emerging as the most important AI engineering skill of 2026. It's the discipline of determining what information an AI system needs to have access to, when, in what form, and in what quantity — to produce consistently reliable outputs. It goes substantially deeper than prompt engineering, which focuses on how you phrase instructions. Context engineering focuses on the information architecture that makes those instructions executable.

What Context Engineering Encompasses

Context engineering is a superset of several related disciplines that have traditionally been treated separately:

  • Retrieval strategy: Deciding what information to pull from external sources (databases, documents, APIs) at inference time, and how to rank and filter it.
  • Memory architecture: Determining what information from previous interactions should persist, in what form, and for how long.
  • Tool selection: For agentic systems, deciding which tools to give the model access to — and which to withhold — for a given task.
  • Information compression: Summarising, chunking, or distilling large information sets to fit within context constraints without losing the content that matters.
  • Temporal reasoning: Ensuring the model has the right temporal context — understanding what information is current vs. stale, and how to handle time-sensitive decisions.

The Context Window Is a Resource — Treat It Like One

The most useful mental model for context engineering is to treat the context window as a constrained compute resource — like RAM in a programme. You have a finite amount of it. What you load into it determines what the programme can do. Loading irrelevant information wastes space and degrades performance. Loading the wrong information produces wrong outputs.

Even with GPT-5's 256k token context window, the principle holds. Research from Stanford's HAI group in 2025 showed that LLM recall accuracy degrades significantly for information buried in the middle of very long contexts — the "lost in the middle" problem. The most reliably retrieved information is at the beginning and end of the context. Context engineers design systems that place the highest-salience information in these positions deliberately.

Key Takeaway Don't send everything to the model. Design your context construction pipeline to select the minimum necessary information — the 3–5 most relevant documents, the last 3 exchanges in a conversation, the specific database fields relevant to this query — rather than sending everything and hoping the model figures it out.

Context Engineering Patterns in Practice

The Customer Data Layer

Enterprise AI applications almost always need customer-specific context. The context engineering challenge is constructing a compact, relevant customer profile at query time — pulling the right fields from CRM and ERP systems, not the entire customer record. For an AI handling a billing query, relevant context includes: account status, recent invoices, open disputes, and payment history. Irrelevant context: full order history from 3 years ago, marketing segment, sales notes. A well-engineered customer context layer selects and formats only the former.

Conversational Memory Management

Long-running AI conversations face a compounding context management problem: you can't include the full conversation history in every prompt — it grows without bound. Context engineers implement strategies like: summarising older conversation turns into compressed memory, maintaining structured fact stores (what the user told the AI about themselves), and using recency weighting (recent turns get full text; older turns get summaries).

Tool Context in Agentic Systems

When a model has access to many tools, the tool documentation itself consumes significant context space. For GPT-5 with 30 tools defined, tool definitions can consume 15–20k tokens. Context engineering for agentic systems includes dynamic tool selection — providing only the subset of tools relevant to the current task, rather than the full tool library.

Context Engineering as a Career

Job postings for "Context Engineer" and "AI Systems Engineer" with context management as a primary skill have increased 340% on LinkedIn in the first quarter of 2026. Anthropic, OpenAI, and major enterprise AI teams are hiring specifically for this capability. The salary range sits between traditional ML engineer and applied AI researcher roles — $120,000–180,000 USD in the US market, with regional equivalents emerging in Singapore and Vietnam.

For Vietnamese developers with strong Python skills and exposure to RAG systems or LLM APIs, context engineering represents one of the clearest paths to high-value international remote work. The skill is learnable, demonstrable through open-source projects, and in acute short supply globally.

Khi các hệ thống AI thất bại trong môi trường thực tế, chẩn đoán phổ biến nhất là: mô hình đã nhận được ngữ cảnh sai. Không phải prompt sai — thông tin sai. Một AI chăm sóc khách hàng không biết trạng thái tài khoản của khách hàng. Một AI review code không có kiến trúc codebase hiện có liên quan. Một AI mua sắm không có báo giá nhà cung cấp hiện tại. Mô hình có khả năng. Cửa sổ ngữ cảnh trống rỗng những gì quan trọng.

Đây là lý do tại sao context engineering đang nổi lên như kỹ năng kỹ thuật AI quan trọng nhất năm 2026. Đây là kỷ luật xác định thông tin nào mà hệ thống AI cần có quyền truy cập, khi nào, ở dạng nào và với số lượng bao nhiêu — để tạo ra các đầu ra đáng tin cậy nhất quán. Nó sâu hơn đáng kể so với prompt engineering, tập trung vào cách bạn diễn đạt hướng dẫn. Context engineering tập trung vào kiến trúc thông tin làm cho những hướng dẫn đó có thể thực thi.

Context Engineering Bao Gồm Gì

Context engineering là tập hợp lớn hơn của một số kỷ luật liên quan mà truyền thống được xử lý riêng biệt:

  • Chiến lược truy xuất: Quyết định thông tin nào cần lấy từ các nguồn bên ngoài (cơ sở dữ liệu, tài liệu, APIs) tại thời điểm suy luận, và cách xếp hạng và lọc nó.
  • Kiến trúc bộ nhớ: Xác định thông tin nào từ các tương tác trước đó nên tồn tại, ở dạng nào và trong bao lâu.
  • Lựa chọn công cụ: Đối với các hệ thống agentic, quyết định công cụ nào cấp cho mô hình quyền truy cập — và cái nào cần giữ lại — cho một nhiệm vụ nhất định.
  • Nén thông tin: Tóm tắt, phân đoạn hoặc chắt lọc các tập thông tin lớn để phù hợp với các ràng buộc ngữ cảnh mà không mất đi nội dung quan trọng.
  • Lý luận thời gian: Đảm bảo mô hình có ngữ cảnh thời gian đúng — hiểu thông tin nào là hiện tại so với lỗi thời, và cách xử lý các quyết định nhạy cảm với thời gian.

Cửa Sổ Ngữ Cảnh Là Một Tài Nguyên — Hãy Đối Xử Với Nó Như Vậy

Mô hình tinh thần hữu ích nhất cho context engineering là coi cửa sổ ngữ cảnh như một tài nguyên tính toán bị hạn chế — như RAM trong một chương trình. Bạn có một lượng hữu hạn. Những gì bạn tải vào đó xác định những gì chương trình có thể làm. Tải thông tin không liên quan lãng phí không gian và làm giảm hiệu suất. Tải thông tin sai tạo ra đầu ra sai.

Ngay cả với cửa sổ ngữ cảnh 256k token của GPT-5, nguyên tắc này vẫn đúng. Nghiên cứu từ nhóm HAI của Stanford năm 2025 cho thấy độ chính xác nhớ lại của LLM giảm đáng kể đối với thông tin bị chôn vùi ở giữa các ngữ cảnh rất dài — vấn đề "lạc giữa đường." Thông tin được truy xuất đáng tin cậy nhất nằm ở đầu và cuối ngữ cảnh. Các kỹ sư ngữ cảnh thiết kế các hệ thống đặt thông tin có mức độ liên quan cao nhất ở những vị trí này một cách có chủ đích.

Điểm Mấu Chốt Đừng gửi mọi thứ cho mô hình. Thiết kế pipeline xây dựng ngữ cảnh của bạn để chọn thông tin tối thiểu cần thiết — 3–5 tài liệu liên quan nhất, 3 trao đổi cuối trong một cuộc trò chuyện, các trường cơ sở dữ liệu cụ thể liên quan đến truy vấn này — thay vì gửi mọi thứ và hy vọng mô hình tự tìm ra.

Các Mẫu Context Engineering Trong Thực Hành

Lớp Dữ Liệu Khách Hàng

Các ứng dụng AI doanh nghiệp hầu như luôn cần ngữ cảnh dành riêng cho khách hàng. Thách thức context engineering là xây dựng hồ sơ khách hàng gọn gàng, liên quan tại thời điểm truy vấn — lấy các trường phù hợp từ hệ thống CRM và ERP, không phải toàn bộ hồ sơ khách hàng. Đối với AI xử lý truy vấn thanh toán, ngữ cảnh liên quan bao gồm: trạng thái tài khoản, hóa đơn gần đây, tranh chấp đang mở và lịch sử thanh toán. Ngữ cảnh không liên quan: toàn bộ lịch sử đặt hàng từ 3 năm trước, phân khúc marketing, ghi chú bán hàng. Lớp ngữ cảnh khách hàng được thiết kế tốt chỉ chọn và định dạng phần trước.

Quản Lý Bộ Nhớ Hội Thoại

Các cuộc trò chuyện AI kéo dài đối mặt với vấn đề quản lý ngữ cảnh kép: bạn không thể đưa toàn bộ lịch sử cuộc trò chuyện vào mỗi prompt — nó tăng trưởng không giới hạn. Các kỹ sư ngữ cảnh triển khai các chiến lược như: tóm tắt các lượt trò chuyện cũ hơn thành bộ nhớ nén, duy trì các kho sự kiện có cấu trúc (những gì người dùng đã nói với AI về bản thân họ), và sử dụng trọng số gần đây (các lượt gần đây nhận văn bản đầy đủ; các lượt cũ hơn nhận tóm tắt).

Ngữ Cảnh Công Cụ Trong Hệ Thống Agentic

Khi một mô hình có quyền truy cập vào nhiều công cụ, chính tài liệu công cụ tiêu thụ không gian ngữ cảnh đáng kể. Đối với GPT-5 với 30 công cụ được định nghĩa, các định nghĩa công cụ có thể tiêu thụ 15–20k token. Context engineering cho các hệ thống agentic bao gồm lựa chọn công cụ động — chỉ cung cấp tập hợp con các công cụ liên quan đến nhiệm vụ hiện tại, thay vì toàn bộ thư viện công cụ.

Context Engineering Như Một Nghề Nghiệp

Các tin tuyển dụng cho "Context Engineer" và "AI Systems Engineer" với quản lý ngữ cảnh là kỹ năng chính đã tăng 340% trên LinkedIn trong quý đầu năm 2026. Anthropic, OpenAI và các nhóm AI doanh nghiệp lớn đang tuyển dụng đặc biệt cho khả năng này. Mức lương nằm giữa vai trò kỹ sư ML truyền thống và nhà nghiên cứu AI ứng dụng — $120.000–180.000 USD trên thị trường Mỹ, với các mức tương đương khu vực đang nổi lên ở Singapore và Việt Nam.

Đối với các nhà phát triển Việt Nam có kỹ năng Python mạnh và tiếp xúc với các hệ thống RAG hoặc LLM APIs, context engineering đại diện cho một trong những con đường rõ ràng nhất đến công việc từ xa quốc tế có giá trị cao. Kỹ năng này có thể học được, có thể chứng minh thông qua các dự án mã nguồn mở, và đang cực kỳ thiếu hụt trên toàn cầu.

Kapag nabigo ang mga sistema ng AI sa production, ang pinakakaraniwang diagnosis ay: natanggap ng modelo ang maling konteksto. Hindi ang maling prompt — ang maling impormasyon. Isang AI ng serbisyo sa customer na hindi alam ang status ng account ng customer. Isang AI ng pagsusuri ng code na walang may-katuturang umiiral na arkitektura ng codebase. Isang AI ng procurement na walang kasalukuyang presyo ng supplier. Kaya ang modelo. Ang context window ay walang laman ng mahalaga.

Kaya naman ang context engineering ay lumalabas bilang pinakamahalagang kasanayan sa AI engineering ng 2026. Ito ang disiplina ng pagtukoy kung anong impormasyon ang kailangang ma-access ng isang sistema ng AI, kailan, sa anong anyo, at sa anong dami — upang makapaglikha ng patuloy na maaasahang mga output. Ito ay mas malalim kaysa sa prompt engineering, na nakatuon sa kung paano mo binabalangkas ang mga tagubilin. Ang context engineering ay nakatuon sa arkitektura ng impormasyon na ginagawang naisasagawa ang mga tagubiling iyon.

Ano ang Saklaw ng Context Engineering

Ang context engineering ay isang superset ng ilang kaugnay na disiplina na tradisyonal na hinahawakan nang hiwalay:

  • Estratehiya sa retrieval: Pagpapasya kung anong impormasyon ang kukunin mula sa mga panlabas na mapagkukunan (database, dokumento, APIs) sa oras ng inference, at kung paano ito i-rank at i-filter.
  • Arkitektura ng memorya: Pagtukoy kung anong impormasyon mula sa mga nakaraang pakikipag-ugnayan ang dapat manatili, sa anong anyo, at gaano katagal.
  • Pagpili ng tool: Para sa mga agentic na sistema, pagpapasya kung aling mga tool ang bibigyan ng access ng modelo — at kung alin ang hahawakan — para sa isang naibigay na gawain.
  • Compression ng impormasyon: Pag-summarize, chunking, o pagdistila ng malalaking hanay ng impormasyon upang magkasya sa loob ng mga hadlang sa konteksto nang hindi nawawala ang nilalaman na mahalaga.
  • Temporal reasoning: Pagtiyak na ang modelo ay may tamang temporal na konteksto — pag-unawa kung anong impormasyon ang kasalukuyan kumpara sa lipas na, at kung paano hawakan ang mga desisyong sensitibo sa oras.

Ang Context Window ay isang Mapagkukunan — Gamutin Ito Nang Ganoon

Ang pinaka-kapaki-pakinabang na mental na modelo para sa context engineering ay ang pagtrato sa context window bilang isang limitadong compute resource — tulad ng RAM sa isang programa. Mayroon kang limitadong halaga nito. Kung ano ang iyong i-load dito ay nagtatakda kung ano ang magagawa ng programa. Ang pag-load ng hindi kaugnay na impormasyon ay nag-aaksaya ng espasyo at nagpapababa ng pagganap. Ang pag-load ng maling impormasyon ay gumagawa ng maling mga output.

Kahit sa 256k token context window ng GPT-5, ang prinsipyo ay nananatili. Ang pananaliksik mula sa HAI group ng Stanford noong 2025 ay nagpakita na ang katumpakan ng recall ng LLM ay kapansin-pansing bumababa para sa impormasyon na nakabaon sa gitna ng napakahabang konteksto — ang problema ng "naliligaw sa gitna." Ang pinaaka-maaasahang na-retrieve na impormasyon ay nasa simula at dulo ng konteksto. Ang mga context engineer ay nagdidisenyo ng mga sistema na naglalagay ng pinaka-mahalagang impormasyon sa mga posisyong ito nang sadya.

Pangunahing Punto Huwag ipadala ang lahat sa modelo. Idisenyo ang inyong context construction pipeline upang pumili ng minimum na kinakailangang impormasyon — ang 3–5 pinaka-kaugnay na dokumento, ang huling 3 palitan sa isang pag-uusap, ang mga partikular na field ng database na may kaugnayan sa query na ito — sa halip na ipadala ang lahat at umaasa na matutuklasan ito ng modelo.

Mga Pattern ng Context Engineering sa Pagsasanay

Ang Customer Data Layer

Ang mga enterprise AI application ay halos palaging nangangailangan ng customer-specific na konteksto. Ang hamon ng context engineering ay ang pagbuo ng compact, kaugnay na profile ng customer sa oras ng query — pagkuha ng tamang mga field mula sa mga sistema ng CRM at ERP, hindi ang buong rekord ng customer. Para sa isang AI na humahawak ng isang query sa billing, ang kaugnay na konteksto ay kinabibilangan ng: status ng account, mga kamakailang invoice, mga bukas na dispute, at kasaysayan ng pagbabayad. Hindi kaugnay na konteksto: buong kasaysayan ng order mula 3 taon na ang nakalipas, segment ng marketing, mga tala sa benta. Ang isang well-engineered na customer context layer ay pumipili at nagfo-format lamang ng dating nabanggit.

Pamamahala ng Conversational Memory

Ang mga matagalang pag-uusap ng AI ay nahaharap sa isang kumplikadong problema sa pamamahala ng konteksto: hindi mo maaaring isama ang buong kasaysayan ng pag-uusap sa bawat prompt — ito ay lumalaki nang walang hangganan. Ang mga context engineer ay nagpapatupad ng mga estratehiya tulad ng: pag-summarize ng mga mas lumang palitan ng pag-uusap sa compressed na memorya, pagpapanatili ng mga structured fact store (kung ano ang sinabi ng user sa AI tungkol sa kanilang sarili), at paggamit ng recency weighting (ang mga kamakailang palitan ay nakakakuha ng buong teksto; ang mga mas lumang palitan ay nakakakuha ng mga buod).

Tool Context sa Agentic Systems

Kapag ang isang modelo ay may access sa maraming tool, ang dokumentasyon ng tool mismo ay kumukonsumo ng malaking espasyo sa konteksto. Para sa GPT-5 na may 30 tool na tinukoy, ang mga kahulugan ng tool ay maaaring kumonsumo ng 15–20k token. Ang context engineering para sa mga agentic na sistema ay kinabibilangan ng dynamic na pagpili ng tool — pagbibigay lamang ng subset ng mga tool na may kaugnayan sa kasalukuyang gawain, sa halip na ang buong aklatan ng tool.

Context Engineering Bilang isang Karera

Ang mga job posting para sa "Context Engineer" at "AI Systems Engineer" na may pamamahala ng konteksto bilang pangunahing kasanayan ay tumaas ng 340% sa LinkedIn sa unang quarter ng 2026. Ang Anthropic, OpenAI, at mga pangunahing enterprise AI team ay nagtatanggap ng trabaho nang partikular para sa kakayahang ito. Ang hanay ng suweldo ay nasa pagitan ng tradisyonal na ML engineer at mga papel na applied AI researcher — $120,000–180,000 USD sa merkado ng US, na may mga regional na katumbas na lumalabas sa Singapore at Vietnam.

Para sa mga developer ng Vietnamese na may matibay na kasanayan sa Python at karanasan sa mga sistema ng RAG o LLM API, ang context engineering ay kumakatawan sa isa sa pinaka-malinaw na mga landas patungong mataas na halaga ng internasyonal na remote work. Ang kasanayan ay natututo, mapapatunayan sa pamamagitan ng mga open-source na proyekto, at nasa matinding kakulangan sa buong mundo.

Wenn AI-Systeme in der Produktion scheitern, lautet die häufigste Diagnose: Das Modell hat den falschen Kontext erhalten. Nicht den falschen Prompt — die falsche Information. Eine Kundendienst-AI, die den Kontostatus eines Kunden nicht kennt. Eine Code-Review-AI, die die relevante bestehende Codebase-Architektur nicht hat. Eine Beschaffungs-AI, die keine aktuellen Lieferantenpreise hat. Das Modell ist fähig. Das Kontextfenster ist leer von dem, was wichtig ist.

Deshalb entwickelt sich Context Engineering zur wichtigsten AI-Engineering-Fähigkeit des Jahres 2026. Es ist die Disziplin, zu bestimmen, auf welche Informationen ein AI-System Zugang haben muss, wann, in welcher Form und in welcher Menge — um konsistent zuverlässige Ausgaben zu erzeugen. Sie geht wesentlich tiefer als Prompt Engineering, das sich darauf konzentriert, wie Sie Anweisungen formulieren. Context Engineering konzentriert sich auf die Informationsarchitektur, die diese Anweisungen ausführbar macht.

Was Context Engineering umfasst

Context Engineering ist eine Obermenge mehrerer verwandter Disziplinen, die traditionell separat behandelt wurden:

  • Retrieval-Strategie: Entscheiden, welche Informationen zur Inferenzzeit aus externen Quellen (Datenbanken, Dokumente, APIs) abgerufen werden sollen und wie sie zu ranken und filtern sind.
  • Speicher-Architektur: Bestimmen, welche Informationen aus früheren Interaktionen in welcher Form und wie lange bestehen bleiben sollen.
  • Tool-Auswahl: Für agentische Systeme, zu entscheiden, welche Tools dem Modell für eine gegebene Aufgabe Zugang gewährt werden — und welche zurückgehalten werden.
  • Informationskomprimierung: Große Informationsmengen zusammenfassen, chunken oder destillieren, um in Kontextbeschränkungen zu passen, ohne den wichtigen Inhalt zu verlieren.
  • Temporales Denken: Sicherstellen, dass das Modell den richtigen zeitlichen Kontext hat — zu verstehen, welche Informationen aktuell vs. veraltet sind und wie zeitkritische Entscheidungen zu handhaben sind.

Das Kontextfenster ist eine Ressource — Behandeln Sie es so

Das nützlichste mentale Modell für Context Engineering ist, das Kontextfenster als begrenzte Rechenressource zu behandeln — wie RAM in einem Programm. Sie haben eine begrenzte Menge davon. Was Sie hineinladen, bestimmt, was das Programm tun kann. Das Laden irrelevanter Informationen verschwendet Platz und verschlechtert die Leistung. Das Laden falscher Informationen produziert falsche Ausgaben.

Selbst mit GPT-5s 256k-Token-Kontextfenster gilt das Prinzip. Forschungen der HAI-Gruppe der Stanford-Universität aus dem Jahr 2025 zeigten, dass die LLM-Abrufgenauigkeit bei Informationen, die in der Mitte sehr langer Kontexte vergraben sind, erheblich abnimmt — das Problem "verloren in der Mitte". Die zuverlässigst abgerufenen Informationen befinden sich am Anfang und Ende des Kontexts. Context Engineers entwerfen Systeme, die die wichtigsten Informationen bewusst an diesen Positionen platzieren.

Wichtigste Erkenntnis Senden Sie nicht alles an das Modell. Gestalten Sie Ihre Kontextkonstruktions-Pipeline so, dass sie die minimal notwendigen Informationen auswählt — die 3–5 relevantesten Dokumente, die letzten 3 Austausche in einem Gespräch, die spezifischen Datenbankfelder, die für diese Anfrage relevant sind — anstatt alles zu senden und zu hoffen, dass das Modell es herausfindet.

Context Engineering Patterns in der Praxis

Die Kundendatenschicht

Enterprise AI-Anwendungen benötigen fast immer kundenspezifischen Kontext. Die Context Engineering-Herausforderung besteht darin, zur Abfragezeit ein kompaktes, relevantes Kundenprofil zu erstellen — die richtigen Felder aus CRM- und ERP-Systemen zu ziehen, nicht den gesamten Kundendatensatz. Für eine AI, die eine Abrechnungsanfrage bearbeitet, enthält relevanter Kontext: Kontostatus, aktuelle Rechnungen, offene Streitigkeiten und Zahlungshistorie. Irrelevanter Kontext: vollständige Bestellhistorie von vor 3 Jahren, Marketing-Segment, Verkaufsnotizen. Eine gut entwickelte Kundenkontextschicht wählt und formatiert nur das Erstgenannte.

Konversationsspeicher-Management

Lang laufende AI-Gespräche stehen vor einem sich zusammensetzenden Kontextverwaltungsproblem: Sie können die vollständige Konversationshistorie nicht in jeden Prompt einbeziehen — sie wächst ohne Grenzen. Context Engineers implementieren Strategien wie: ältere Gesprächsrunden in komprimiertem Speicher zusammenfassen, strukturierte Faktenspeicher pflegen (was der Benutzer der AI über sich selbst mitgeteilt hat), und Recency-Gewichtung verwenden (aktuelle Runden erhalten vollständigen Text; ältere Runden erhalten Zusammenfassungen).

Tool-Kontext in agentischen Systemen

Wenn ein Modell Zugang zu vielen Tools hat, verbraucht die Tool-Dokumentation selbst erheblichen Kontextraum. Für GPT-5 mit 30 definierten Tools können Tool-Definitionen 15–20k Token verbrauchen. Context Engineering für agentische Systeme umfasst dynamische Tool-Auswahl — nur die Teilmenge von Tools bereitzustellen, die für die aktuelle Aufgabe relevant sind, statt der vollständigen Tool-Bibliothek.

Context Engineering als Karriere

Stellenanzeigen für "Context Engineer" und "AI Systems Engineer" mit Kontextverwaltung als primäre Fähigkeit sind auf LinkedIn im ersten Quartal 2026 um 340% gestiegen. Anthropic, OpenAI und große Enterprise AI-Teams stellen gezielt für diese Fähigkeit ein. Das Gehaltsband liegt zwischen traditionellen ML-Engineer- und angewandten AI-Forscher-Rollen — $120.000–180.000 USD im US-Markt, mit regionalen Entsprechungen, die in Singapur und Vietnam entstehen.

Für vietnamesische Entwickler mit starken Python-Kenntnissen und Erfahrung mit RAG-Systemen oder LLM APIs stellt Context Engineering einen der klarsten Wege zu hochwertiger internationaler Remote-Arbeit dar. Die Fähigkeit ist erlernbar, durch Open-Source-Projekte nachweisbar und weltweit in akutem Mangel.