现在讨论 Context Engineering（上下文工程）时，大多关注如何构建高级 AI Agent，但对普通用户来说，这些技术未必实用。我在这里总结了一些普通人使用 AI 时真正能用到的上下文工程技巧。
Context Engineering 的中有两个关键点可以帮助你控制好上下文：
下面我们分别展开讲讲如何做到这两点。
一、更少的上下文：精简比繁杂更有效
如今很多提示词（Prompt）都非常长，似乎“越长越好”，但实际上，这种方式可能适得其反。当提示词包含太多无关信息时，AI 生成的结果容易混乱，甚至出现幻觉，表现越来越差。
需要补充说明一下：这里的“少”不是说越少越好，重点是让 AI “聚焦”于主要任务。
所以要注意以下两个要点：
1）多开新会话，而不是无限延长单个会话
长时间的单个会话容易让 AI 难以抓住重点，导致信息遗漏或混乱。更好的做法是：
- • 在新任务或无关联任务开始时，主动开启新的会话，保持每个会话清晰而专注。
2）一次只做一个小任务，而非复杂任务堆积
和人类一样，当任务过于复杂、一次性输入太多时，AI 会难以很好地完成。但如果每次只交给 AI 一个清晰简单的小任务，AI 就能更轻松地理解并高效完成。
二、更准确的上下文：让 AI 明确知道你想要什么
“准确的上下文”听起来简单，其本质就是让 AI 明白你真正想要的结果，以及完成任务所需的全部信息。具体而言，可以通过以下两种方式实现，而这两种方式通常是互为补充的：
（一）主动提供准确而充足的上下文
AI 并不天然了解我们掌握的信息，因此用户需要主动告诉 AI：
- • 例如，让 AI 帮忙写简历时，必须清晰地把自己的经历和相关信息提供给 AI，否则它也难以编出满意的结果。
- • 在编程场景中，把相关文件或代码片段提前提供给 AI，这样能有效避免遗漏重要信息或细节，减少反复调整的麻烦。
总之，“你不说，它就不知道”，主动提供充分而准确的上下文，能显著提高 AI 完成任务的效果。
（二）借助 AI Agent 来寻找上下文
有时，我们自己也不清楚全部上下文。这时，可以利用 AI Agent 的工具能力帮助我们主动获取上下文。下面几个技巧对普通用户特别有效：
1）选择擅长 Agent 任务的模型
当前表现优异的 AI Agent 模型有：
- • 国外的 Claude 4 Opus/Sonnet、OpenAI 的 GPT-4o（o3）等。
- • 国产的 Doubao Think 1.6、GLM 4.5、Kimi K2 等也有很强的表现。
选对模型，可以显著提升 Agent 搜寻上下文的准确性和效率。
2）为 AI 提供适合的工具
Agent 最大优势就是能借助工具寻找上下文。不过，AI 默认工具有限，因此用户需要额外提供工具：
- • 例如 MCP 工具，让 AI 访问内部数据、控制浏览器等，提升搜索上下文的效率。
- • 在编程场景中，一个实用技巧是主动提供验证代码的机制，让 AI 自己测试和修正结果。
具体举个例子，比如在 Claude Code 或 Copilot/Cursor Agent 模式下，你可以加上一句：
Please write tests and verify the tests by running
npx jest <testfilepath> -c './jest.config.ts' --no-coverage
这样 AI 写完代码后会主动写测试，并自己执行命令验证测试结果。如果出现问题，AI 也会主动修复，直到通过测试（当然，仍需人工审核，避免 AI 为了通过测试而修改测试代码）。
类似技巧还有：
- • 提供运行代码并截图的工具，让 AI 写完 UI 后自己对比实际效果和设计稿，自动迭代直到结果满意。
3）让 AI 先做计划，避免在错误方向上浪费时间
面对稍微复杂的任务时，AI 如果一开始方向错了，可能会一直在错误的路线上浪费资源。这时就需要：
- • 要求 AI 在执行任务前先做计划（Plan mode），比如 Claude Code 就提供了这样的模式。
- • 仔细审阅 AI 提供的计划，确认方向无误后再执行。
- • 如果发现 AI 方向错误，要及时纠正，甚至直接新开会话、调整提示词，让 AI 明确正确的路线，再重新开始任务。
粤ICP备14082021号
免费POC，
零成本试错
