在AI领域，一个重要的概念转变正在发生：从"
rompt Engineering"转向"Context Engineering"。这不仅仅是术语的变化，更代表了我们对AI系统工作方式认知的深刻转变。
Shopify CEOTobi Lutke说：
"我更喜欢'Context Engineering'这个术语，而不是'
为什么需要这个转变？
Prompt Engineering的局限性
传统的"rompt Engineering"让人联想到的是在聊天机器人中输入一些指令，这种理解过于简化了。虽然我们希望这个术语能够涵盖构建可靠提示词的内在复杂性，但现实是，大多数人对它的理解停留在表面。
Context Engineering的广度
Context Engineering则不同，它是一个更全面的概念。Andrej Karpathy认为：
"Context Engineering是一门精妙的艺术和科学，需要在上下文窗口中填充恰当的信息以完成下一步任务。"
什么是Context？
要理解Context Engineering，我们首先需要扩展对"上下文"的定义。它不仅仅是发送给LLM的单个提示词，而是模型在生成响应前看到的所有信息：
1. 指令/系统提示词
定义模型在对话中行为的初始指令集 应该包含示例、规则等
2. 用户提示词
来自用户的直接任务或问题
3. 状态/历史（短期记忆）
当前对话，包括导致此刻的用户和模型响应
4. 长期记忆
跨多次对话收集的持久知识库 包含学到的用户偏好、过去项目摘要或需要记住的事实
5. 检索信息（RAG）
来自文档、数据库或API的外部最新知识 用于回答特定问题的相关信息
6. 可用工具
所有可调用函数或内置工具的定义 如check_inventory、send_email等
7. 结构化输出
模型响应格式的定义 如JSON对象结构
从"便宜演示"到"神奇产品"
Context Engineering的威力在于能够将简单的演示转变为真正有用的产品。看一个具体的例子：
场景：AI助手收到邮件
"嗨，看看你明天有空简单聊聊吗？"
"便宜演示"Agent的回应：
上下文贫乏，只看到用户请求 回应机械化： "感谢您的消息。明天我有空。请问您想要什么时间？"
"神奇"Agent的回应：
丰富的上下文，包括：
日历信息（显示明天已排满） 与此人的历史邮件（确定合适的非正式语调） 联系人列表（识别为重要合作伙伴） 发送邀请或邮件的工具 生成的回应：
"嗨Jim！明天我这边排得很满，一整天都是会议。周四上午有空，可以吗？我发了个邀请，看看是否合适。"
关键在于：魔法不在于更聪明的模型或更巧妙的算法，而在于为正确的任务提供正确的上下文。
Context Engineering的定义
简单来说：
Context Engineering是设计和构建动态系统的学科，这些系统在正确的时间，以正确的格式，提供正确的信息和工具，给LLM完成任务所需的一切。
Context Engineering具有以下特征：
1. 系统性，而非字符串
上下文不是静态的提示词模板 它是在主LLM调用之前运行的系统输出
2. 动态性
实时创建，针对具体任务定制 一个请求可能需要日历数据，另一个可能需要邮件或网络搜索
3. 正确的信息和工具，在正确的时间
核心工作是确保模型不会错过关键细节 既提供知识（信息）又提供能力（工具）
4. 格式很重要
简洁的摘要优于原始数据转储 清晰的工具模式优于模糊的指令
Agent的Context Engineering策略
对于长期运行的AI Agent，Context Engineering变得更加重要。Lance Martin将其分为四大策略：
1. 写入上下文 (Write Context)
将上下文保存在上下文窗口之外，以帮助Agent执行任务。
草稿本 (Scratchpads)
像人类解决任务时做笔记一样 将信息保存在上下文窗口外，供Agent使用 可以通过工具调用或运行时状态对象实现
记忆 (Memories)
跨会话记住信息 包括反思和自生成记忆 如ChatGPT、Cursor、Windsurf的记忆机制
2. 选择上下文 (Select Context)
将相关上下文拉入上下文窗口。
记忆选择
选择与任务相关的记忆 使用嵌入或知识图谱进行索引 挑战：确保选择相关记忆
工具选择
使用RAG为任务选择最相关的工具 避免工具过载造成的混乱 提高工具选择准确性
3. 压缩上下文 (Compress Context)
只保留执行任务所需的token。
上下文摘要
当超过上下文窗口95%时自动压缩 使用递归或层次摘要策略 在工具调用边界添加摘要
上下文修剪
使用启发式方法过滤上下文 如从消息列表中删除旧消息 训练的上下文修剪器
4. 隔离上下文 (Isolate Context)
将上下文分割以帮助Agent执行任务。
多Agent系统
将关注点分离到不同的子Agent 每个Agent有特定的工具、指令和上下文窗口 并行探索问题的不同方面
环境隔离
使用代码沙箱隔离token密集的对象 通过状态对象管理上下文 选择性地向LLM公开信息
实际应用中的挑战
Context Engineering在实际应用中面临多种挑战：
1. 上下文污染
幻觉信息进入上下文 需要验证和过滤机制
2. 上下文分心
过多上下文压倒训练数据 需要平衡相关性和完整性
3. 上下文混乱
多余的上下文影响响应 需要精确的相关性判断
4. 上下文冲突
上下文部分之间存在分歧 需要优先级和一致性机制
工具和实现
代码Agent的Context Engineering
代码Assistant面临的挑战特别复杂。Windsurf团队的经验是：
"索引代码 ≠ 上下文检索...我们进行索引和嵌入搜索...通过AST解析代码并在语义边界上分块...随着代码库规模增长，嵌入搜索作为检索启发式变得不可靠...我们必须依赖grep/文件搜索、基于知识图谱的检索等技术组合...以及重排序步骤。"
产品中的Context Engineering
目前主要产品都在探索Context Engineering：
Claude Code: 使用CLAUDE.md存储指令 Cursor和Windsurf: 使用规则文件 ChatGPT: 存储和选择大量用户特定记忆
未来展望
Context Engineering正在成为AI应用开发的核心技能。Cognition公司认为：
"Context Engineering实际上是构建AI Agent的工程师的第一要务。"
随着AI Agent变得越来越复杂，处理数百轮对话，Context Engineering将变得更加重要。我们需要：
更智能的上下文管理策略 更好的工具和框架 标准化的最佳实践 跨功能的理解和协作
结论
从Prompt Engineering到Context Engineering的转变，标志着AI应用开发的成熟。这不仅仅是技术的进步，更是思维方式的转变。
构建强大可靠的AI Agent，关键不在于找到神奇的提示词或等待模型更新，而在于工程化地构建上下文，在正确的时间，以正确的格式，提供正确的信息和工具。
这是一个跨功能的挑战，需要理解业务用例、定义输出格式，并结构化所有必要信息，让LLM能够"完成任务"。
再见，Prompt Engineering；你好，Context Engineering。