硅谷如今炙手可熱的，不再是提示詞工程，而是上下文工程（Context Engineering）！

就連AI大神Karpathy，都為「上下文工程」投下了一票。

還有Shopify CEO Tobias Lütke稱，自己更喜歡「上下文工程」，因其準確描述了一個核心技能——

通過為任務提供完整的背景信息，讓大模型能夠合理解決問題的藝術。

一夜之間，「上下文工程」紅遍全網，究竟是為什么？

上下文工程，一夜爆紅

這背后原因，離不開AI智能體的興起。

OpenAI總裁Greg Brockman多次公開表示，「2025年，是AI智能體的元年」。

決定智能體成功或失敗最關鍵的因素，是提供的「上下文質量」。也就是說，加載到「有限工作記憶」中的信息愈加重要。

大多數AI智能體失敗的案例，不是模型的失敗，而是上下文的失敗！

那么，什么是上下文？

要理解「上下文工程」，首先需要擴展「上下文」的定義。

它不僅僅是你發送給LLM的單一提示，可以將其視為「模型再生成響應之前，看到的所有內容」，如下：

• 指令/系統提示：定義模型在對話中行為的初始指令集，可以/應該包括示例、規則等。
• 用戶提示：用戶的即時任務或問題。
• 狀態/歷史（短期記憶）：當前對話，包括用戶和模型的響應，截至此刻。
• 長期記憶：跨多次之前對話收集的持久知識庫，包含學習到的用戶偏好、過去項目的摘要或要求記住以備將來使用的事實。
• 檢索信息（RAG）：外部、實時的知識，來自文檔、數據庫或API的相關信息，用于回答特定問題。
• 可用工具：模型可以調用的所有功能或內置工具的定義，比如check_inventory、send_email。
• 結構化輸出：模型響應格式的定義，例如JSON對象。

可以看出，與專注于在單一本文字符串中，精心構建完美指令的「提示詞工程」不同，「上下文工程」的范疇要廣泛得多。

簡單來說：

「上下文工程」是一門學科，它致力于設計和構建動態系統。  

這些系統能夠在恰當的時機、以恰當的格式，提供恰當的信息和工具，從而讓LLM擁有完成任務所需的一切。

以下是「上下文工程」的所有特點

· 它是一個系統，而非一個字符串：上下文并非一個靜態的提示詞模板，而是一個系統的輸出，這個系統在對LLM進行主調用之前就已經運行。

· 它是動態的：上下文是即時生成的，為當前任務量身定制。比如，某個請求可能需要的是日歷數據，而另一個請求則可能需要電子郵件內容或網絡搜索結果。

· 它強調在恰當時機提供恰當信息與工具：其核心任務是確保模型不會遺漏關鍵細節（謹記「垃圾進，垃圾出」原則）。這意味著只在必要且有益的情況下，才向模型提供知識（信息）和能力（工具）。

· 它注重格式：信息的呈現方式至關重要。一份簡潔的摘要遠勝于原始數據的羅列；一個清晰的工具接口定義也遠比一條模糊的指令有效。

是一門科學，也是一門藝術

Karpathy長文點評中，同樣認為「上下文工程」是藝術的一種。

人們往往將提示詞（prompt），聯想為日常使用中——發給LLM的簡短任務描述。

然而，在任何一個工業級的 LLM 應用中，上下文工程都是一門精深的科學，也是一門巧妙的藝術。

其核心在于，為下一步操作，用恰到好處的信息精準填充上下文窗口。

說它是科學，是因為要做好這一點，需要綜合運用一系列技術，其中包括：

任務描述與解釋、少樣本學習示例、RAG（檢索增強生成）、相關的（可能是多模態的）數據、工具、狀態與歷史記錄、信息壓縮等等。

信息太少或格式錯誤，LLM就沒有足夠的上下文來達到最佳性能；  

信息太多或關聯性不強，又會導致LLM的成本上升、性能下降。  

要做好這一點是頗為復雜的。

說它是藝術，則是因為其中需要依賴開發者對大模型「脾性」的直覺把握和引導。

除了上下文工程本身，一個LLM應用還必須做到：

• 將問題恰到好處地拆解成控制流
• 精準地填充上下文窗口
• 將調用請求分派給類型和能力都合適的LLM
• 處理「生成-驗證」的UIUX流程
• 以及更多——例如安全護欄、系統安全、效果評估、并行處理、數據預取等等…

因此，「上下文工程」只是一個正在興起的、厚重且復雜的軟件層中的一小部分。

這個軟件層負責將單個的LLM調用，以及更多其他操作整合協調，從而構建出完整的LLM應用。

Karpathy表示，把這類應用輕率地稱為「ChatGPT的套殼」，這種說法不僅老掉牙了，而且大錯特錯。

有網友對此調侃道，上下文工程，是全新的「氛圍編程」。

Karpathy回應稱，「我倒不是想自創個新詞什么的。我只是覺得，大家一提到「提示詞」，就容易把一個其實相當復雜的組件給想簡單了」。

你會用一個提示詞去問LLM「天空為什么是藍色的」。但應用程序呢，則是需要為大模型構建上下文，才能解決那些為它量身定制的任務。

智能體成敗，全靠它了

其實，打造真正高效的AI智能體秘訣，關鍵不在于編寫的代碼有多復雜，而在于你所提供的上下文有多優質。

一個效果粗糙的演示產品，同一個表現驚艷的智能體，其根本區別就在于提供的上下文質量。

想象一下，一個AI助理需要根據一封簡單的郵件來安排會議：

嘿，想問下你明天有空簡單碰個頭嗎？

「粗糙的演示」智能體獲得的上下文很貧乏。它只能看到用戶的請求，別的什么都不知道。

它的代碼可能功能齊全——調用一個LLM并獲得響應，但輸出的結果卻毫無幫助，而且非常機械化：

感謝您的消息。我明天可以。請問您想約在什么時間？

接下來，再看看由豐富的上下文加持的驚艷智能體。

其代碼的主要任務并非是思考如何回復，而是去收集LLM達成目標所需的信息。在調用LLM之前，你會將上下文擴展，使其包含：

代碼的主要工作，不是決定如何響應，而是收集LLM完成目標所需的信息。

在調用LLM之前，你會擴展上下文，包括：

• 日歷信息：顯示你全天都排滿了  
• 與此人的過去郵件：用來判斷應該使用何種非正式語氣  
• 聯系人列表：用來識別出對方是一位重要合作伙伴  
• 用于send_invite或send_email的工具

然后，你就可以生成這樣的回復：

嘿，Jim！我明天日程完全排滿了，會議一個接一個。周四上午我有空，你看方便嗎？邀請已經發給你了，看這個時間行不行哈。

這種驚艷的效果，其奧秘不在于模型更智能，或算法更高明，而在于為正確的任務提供了正確的上下文。

這正是「上下文工程」將變得至關重要的原因。

所以說，智能體的失敗，不只是模型的失敗，更是上下文的失敗。

要構建強大而可靠的 AI 智能體，我們正逐漸擺脫對尋找「萬能提示詞」，或依賴模型更新的路徑。

這一點，深得網友的認同。

其核心在于對上下文的工程化構建：即在恰當的時機、以恰當的格式，提供恰當的信息和工具。

這是一項跨職能的挑戰，它要求我們深入理解業務用例、明確定義輸出，并精心組織所有必要信息，從而使LLM能夠真正「完成任務」。

最后，借用網友一句話，「記憶」才是AGI拼圖的最后一塊。