ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;margin: 0px 0px 24px;letter-spacing: 0.1em;white-space: pre-line;color: rgb(63, 63, 63);font-size: 15px;">最近，"上下文工程"（Context Engineering）这个新词在 AI 领域越来越受关注。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;margin: 10px 0px 24px;letter-spacing: 0.1em;white-space: pre-line;color: rgb(63, 63, 63);font-size: 15px;">Tobi Lutke 将其描述为："提供所有必要的上下文，让大语言模型能够合理地完成任务的一门艺术。"
ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;margin: 10px 0px 24px;letter-spacing: 0.1em;white-space: pre-line;color: rgb(63, 63, 63);font-size: 15px;">这个观点似乎把上下文工程和提示工程当作对立点。让人觉得提示词不重要了，甚至要被干掉了。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;margin: 10px 0px 24px;letter-spacing: 0.1em;white-space: pre-line;color: rgb(63, 63, 63);font-size: 15px;">但在这两三年技术发展过程中，上下文工程和提示词工程本就是相辅相成，并非对立发展。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;margin: 10px 0px 24px;letter-spacing: 0.1em;white-space: pre-line;color: rgb(63, 63, 63);font-size: 15px;">或者可以说上下文工程就包含了提示词工程。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;margin: 10px 0px 24px;letter-spacing: 0.1em;white-space: pre-line;color: rgb(63, 63, 63);font-size: 15px;">这两年为了消除AI幻觉，增强AI的落地可能，一直发展的RAG、工具调用、MCP等上下文工程包括：ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;vertical-align: baseline;white-space: normal;color: rgb(63, 63, 63);" class="list-paddingleft-1">ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;list-style-position: outside;">ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;vertical-align: baseline;margin: 10px 0px 16px;font-size: 15px;">系统提示词：定义模型整体行为的初始指令，可以（也应该）包含示例、规则等。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;list-style-position: outside;">用户提示词：用户提出的具体任务或问题。
对话记忆：用户与模型之前的对话内容，呈现当前交流的背景。
长期记忆：跨多次对话积累的持久性知识库，如用户喜好、历史项目摘要和记住的特定事实。
RAG：外部的、最新的信息，包括从文档、数据库或API获取的相关内容，用于解答特定问题。
工作流：使用可视化编程工具（如dify、N8N、Coze等）构建复杂的多步骤AI应用流程，自动化任务处理。
工具(函数)调用：模型可以调用的所有函数或内置工具定义（如检查库存、发送邮件等）。
MCP：通过开放协议，调用各种数据源或工具
上下文工程固然重要，但提示词工程不应该被忽略。
未来可能会因为模型掌握了 太多上下文，不需要人类去表达和要求，模型就知道该如何给人做事情，这可能会成为一部分人使用模型的场景。
但对模型来说，接收人类提示的功能肯定不会消失。
对人来说，想用模型来搭积木的需求也不会消失。
那么提示词工程就不可能会消失。
所以我认为人人都要准备一个自己的提示词库。
跟随自己的工作流去迭代优化。
提示词是开启上下文工程的钥匙。
我做PrompterHub这一产品，就是因为自己创作的一个提示词，加了UI、前端界面，没想到每天都有稳定的用户。
慢慢的，就加了社区、模板库、新闻、教程、插件等功能。后续也会拓展更多和上下文工程相关的能力。
今天，PromperHub 又上了新功能——Remix，可以把任意提示词作为模板，按你的要求生成提示词。
使用非常简单，只需要在下面模板输入框输入提示词，在输入一句话要求，或者几个关键词，就能生成对应的提示词。
还有更简单的方式，PromperHub目前已经有200多个AI行业大佬们开源的提示词，只需要点击remix，就能复制提示词到这里，再输入要求，完成创作。
比如我拿李继刚老师的不可能三角来创作一个可能三角
最后把生成的提示词发给Claude，获得以下结果：
这只是一个简单的例子，很多提示词都可以根据自己的业务来重定义。
PrompterHub 已经汇集了1500的用户提示词，300个优质提示词。
产品访问地址：https://www.prompterhub.cn/
非常推荐下载浏览器插件，在插件里，可以快速调用PrompterHub里收藏、点赞和创作的提示词。
我最近的使用习惯就是，在monica里和Claude、gemini对话，使用PrompterHub插件快速调用提示词。
每一个对话都很完美。
插件地址：https://chromewebstore.google.com/detail/prompterhub丨完美提示词助手/fmggpoljdgjkgnaahkaegncjlhaimein?authuser=0&hl=zh-CN
实现remix这个功能其实非常简单，只是一个简单的提示词，就像文章开头说的，MCP、Agent、AI Coding 都离不开提示词。
下面就是这个提示词了，如果不想使用产品，可以收藏下面提示词，发给大模型，试试看。
根据下面发送的提示词，加一句话要求或几个关键词，制作一个新的提示词。 输出格式：严格按照下方提示词模板，格式和字数保持一致，除提示词外不添加任何其他评论。 提示词模板：「用户输入内容」 要求：「用户输入内容」