再见，Prompt Engineering；你好，Context Engineering

在AI领域，一个重要的概念转变正在发生：从"Prompt 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 CEO Tobi Lutke 说：

"我更喜欢'Context Engineering'这个术语，而不是'Prompt Engineering'。它更好地描述了核心技能：为任务提供所有上下文，让LLM能够合理地解决问题的艺术。"

为什么需要这个转变？

Prompt Engineering的局限性

传统的"Prompt 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：

1. 更智能的上下文管理策略
2. 更好的工具和框架
3. 标准化的最佳实践
4. 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。