AI時代，人不再只是「社會關系的總和」，而是由無數數據、記錄和互動的上下文構成的。

這不是科幻。這是正在發生的現實。

而這一切的起點，是一個被嚴重誤解的領域——Context Engineering（上下文工程）。

來自于上海創智學院劉鵬飛老師團隊，提出上下文工程2.0，剖析上下文工程的：本質、歷史與未來。

一個被遺忘的真相

2025年，當你第一次向ChatGPT輸入一段精心設計的prompt，你可能以為自己在做一件前所未有的事情——用自然語言「編程」，讓AI理解你的意圖。

但如果告訴你，早在2000年，佐治亞理工大學的研究者就在做同樣的事情呢？

那時還沒有GPT，甚至連智能手機都還沒有。

但Anind Dey和他的團隊已經在思考一個核心問題：如何讓機器理解人類所處的「上下文」（context），從而提供更智能的服務？

他們開發了Context Toolkit——一個幫助開發者構建「上下文感知應用」的框架。

當你走進辦公室，系統會自動：檢測你的位置（通過紅外傳感器）、識別你的身份（通過ID卡）、推斷你的活動（會議 vs 個人工作）、調整環境（燈光、溫度、通知模式）。

這個過程需要什么？需要工程師精心設計傳感器網絡、數據融合算法、推理規則——將高熵的原始信號（位置坐標、時間戳、環境數據）轉化為機器可以理解的低熵表示（「用戶正在開會，不要打擾」）。

這就是Context Engineering。

再往前推，1994年，Bill Schilit在他的博士論文中首次提出「context-aware computing」的概念。

2001年，Anind Dey給出了至今仍被廣泛引用的定義。

上下文是任何可以用來刻畫實體情境的信息。

所以，當團隊說「Context Engineering已經30歲了」，這不是夸張，而是事實。

Context Engineering不是新發明，它是一個持續30年的進化過程。

變化的是：機器能理解的「你」越來越完整；不變的是：人類一直在努力讓機器理解「什么是人」。

而這個努力的本質是什么？

第一性原理 —— 為什么需要上下文工程

讓咱們先做個思維實驗。

場景1：兩個人類的對話

A: 「我有點冷」 >B: (起身關窗) / (遞過一件外套) / (調高空調溫度)

場景2：人與傳統機器的對話

用戶: 「我有點冷」 >系統: ERROR: Unknown command. Please specify exact operation. >用戶: 無奈地走到空調前，手動調到24°C

場景3：人與ChatGPT的對話

用戶: 「我有點冷」ChatGPT: 「我理解你感到冷。我可以幫你：1、如果你有智能家居，我可以幫你生成調高溫度的指令 2、給你一些保暖建議 3、如果你在辦公室，建議你跟同事溝通調整空調溫度…」

看出區別了嗎？

人類之間的溝通如此高效，是因為團隊擁有一種神奇的能力：團隊會主動「腦補」。

當A說「我有點冷」，B的大腦會瞬間完成一系列復雜的推理：

• 語義理解：這不是在討論物理學，而是表達不適
• 意圖推斷：他可能希望我做點什么
• 情境補全：窗戶開著？空調太低？他忘了帶外套？
• 知識調用：我知道關窗/遞衣服/調溫度可以解決問題
• 社交判斷：咱們的關系足夠好，我可以主動幫忙

這個過程，用信息論的語言描述，就是熵減少（entropy reduction）。

想象一個裝滿氣體分子的房間。分子隨機運動，高度無序，這就是「高熵」狀態。如果你想讓它們排列成某個圖案，你需要做功——這就是「熵減少」。

人類的語言也是如此：

「我有點冷」這句話本身是高熵的——它包含的信息量很少，可能的意圖很多。

但人類大腦會自動將其轉化為低熵的具體行動——基于共享的知識、經驗、情境……

機器做不到這一點——這就是人機之間的認知鴻溝（Cognitive Gap）。

如何定義認知鴻溝？

簡單來說，認知鴻溝=人類的上下文處理能力 - 機器的上下文處理能力

大致可以分為四個等級：

• Era 1.0: Gap ≈ 90%（機器幾乎什么都不懂）
• Era 2.0: Gap ≈ 30%（機器懂自然語言）
• Era 3.0: Gap ≈ 1%（機器接近人類水平）
• Era 4.0: Gap < 0（機器超越人類）

現在團隊可以給上下文工程一個精準的定義：

Context Engineering是一個熵減少過程，旨在彌合人類與機器之間的認知鴻溝。

它通過收集、管理和使用上下文信息，將高熵的人類意圖和環境狀態，預處理為機器可理解的低熵表示。

Context Engineering不是「翻譯」，而是「預消化」：

• 翻譯：把中文變成英文，形式變了，信息量不變。
• 預消化：把牛排切碎、嚼爛，方便嬰兒吞咽，也就是降低了處理難度。
• 你在做的是：把高熵的「你」，壓縮成機器能消化的低熵形式。

30年演化之路

如果把Context Engineering的歷史畫成一幅畫，它會是什么樣子？

如下圖所示，看到的是一條收斂曲線——人類與機器之間的認知鴻溝，隨著技術進步不斷縮小。

每一次縮小，都引發一場交互革命。

每一次技術突破（認知鴻溝縮小），都會引發三重連鎖反應：

1、Interface Revolution：需要新的交互容器來最大化新技術的潛力

2、Context Capacity Expansion：機器能處理的上下文范圍急劇擴大

3、Engineering Paradigm Shift：context engineering的方法論發生根本改變

這不是巧合，而是必然規律。

Era 1.0 (1990s-2020): 傳感器時代

想象2005年的某個下午。你想讓電腦做一件簡單的事：「把昨天的報告發給張經理」。但你不能這么說。

你必須：打開Outlook → 新建郵件 → 搜索收件人 → 找到文件 → 附加 → 發送。

至少20步操作，幾分鐘時間。

這就是Era 1.0的真相：機器不懂你在想什么，你必須把每一個意圖分解成機器能理解的原子操作。

而為什么機器如此「愚蠢」？因為那個時代的計算機本質上是狀態機——只會執行預先編好的程序，不會推理，不會理解。

既然機器無法理解自然語言，那能不能讓它至少「看到」用戶的狀態？

1994年，Bill Schilit做了一個實驗：在辦公室裝滿傳感器，給員工發ID卡。

當你走進會議室，系統自動檢測到：「這是張三，在301會議室，現在14點，日歷顯示有會議」。

于是自動：手機靜音、投影文檔、郵件自動回復「開會中「。 這是人類讓機器「主動理解情境」。

研究者們設計了一個四層架構：

• 【應用層】智能服務（自動調節燈光、推薦文檔）
• 【推理層】規則決策（IF 在會議室 AND 14:00 THEN 靜音）
• 【上下文管理層】標準化數據（位置=301，時間=14:00）
• 【感知層】傳感器原始數據（GPS、時間戳、ID信號）

這是一條從高熵到低熵的流水線。

然而，機器只會執行工程師預設的if-then規則。遇到規則沒覆蓋的情況？崩潰。

就像一個只會背菜譜的廚師——菜譜上沒有的菜，他就不會做。機器沒有真正的「理解」，只有機械的「匹配」。

盡管技術受限，Era 1.0建立了深刻的理論基礎。

2001年，Anind Dey的定義至今仍是黃金標準：

「上下文指的是任何可用于刻畫相關實體（例如人、地點或物體）所處情境的信息，這些實體被認為與用戶和應用程序之間的交互有關，其中也包括用戶本身以及應用程序本身。」

Dey設計的Context Toolkit，第一次讓「上下文」成為可以模塊化、可復用的工程對象。

Era 2.0 (2020-now): 智能助手時代

2020年，一切都變了。

那一年，OpenAI發布了GPT-3。

當人們第一次看到它的演示，震驚是普遍的：你輸入：「幫我寫一封郵件，告訴老板我明天請假去看病。」 它輸出一封格式完整、措辭得體的請假郵件。

這是Era 2.0的分水嶺：機器從「狀態機」進化成了「理解者」。

還記得Era 1.0的痛苦嗎？你必須把「發郵件」分解成20個步驟。現在呢？

熵減少的工作，從人類轉移到了機器。

認知鴻溝縮小，人類終于可以用自己習慣的方式——自然語言——和機器對話。

但Era 2.0不只是「會說話」這么簡單。革命發生在多個層面：

第一，感知升級：從單一傳感器到多模態融合。

Era 1.0的系統只能讀懂GPS、時間戳這些結構化數據。

Era 2.0的系統可以看懂圖片（你發一張菜譜照片，它能識別食材和步驟）、聽懂語音（你說「我想吃川菜」，它理解口味偏好）、讀懂文檔（你上傳PDF合同，它能提取關鍵條款）。

這叫「多模態感知」——機器學會了用人類的方式接收信息。

第二，「高熵上下文消費能力」提升：從「只吃精加工食品」到「能消化原材料」。

這是Era 2.0最關鍵的突破。

用一個比喻：Era 1.0的機器像嬰兒，只能吃米糊（結構化數據）；Era 2.0的機器像成年人，可以直接吃牛排（原始信息）。

什么是「原始信息」？

你隨手寫的一段話：「我覺得最近壓力有點大，想找個安靜的地方度個假。」 這句話是高熵的：沒有明確說去哪里、預算多少、什么時間。

但GPT可以理解：「壓力大」→需要放松，「安靜的地方」→避開熱門景點，「度假」→可能3-7天。然后它會問：「您預算大概多少？傾向國內還是國外？」

這就是「高熵上下文消費能力」——機器學會了處理模糊、不完整、高熵的輸入。

用信息論的語言：Era 2.0的系統可以接受高熵輸入，并通過自身的智能進行熵減少。

第三，從「被動響應」到「主動協作」。

Era 1.0的系統是反應式的：「IF 位置=會議室 THEN 手機靜音」。

Era 2.0的系統是協作式的：你在寫論文→系統分析你的寫作進度→發現你卡在第三章→主動建議：「要不要我幫你梳理一下邏輯？」→你同意→它生成大綱→你修改→它根據反饋調整。

這不是「感知你的狀態」，而是「理解你的目標并幫你達成」。 團隊從context-aware（上下文感知） 進化到了context-cooperative（上下文協作）。

以GitHub Copilot為例，工程師不再需要寫「IF用戶輸入函數名THEN提示參數列表」這樣的規則。

相反，模型通過學習數十億行代碼，自己理解了「上下文」意味著什么。

但這里有個微妙之處：上下文窗口的限制。

GPT-3的上下文窗口只有4096個token（約3000字）。這意味著，即使模型很聰明，它也只能「看到」有限的上下文。

所以context engineering又變成了精選上下文的藝術：什么信息最重要？如何在有限空間里塞進最多價值？如何組織信息讓模型更好理解？這就是Prompt Engineering。

在agent的背景下，prompt engineering偏向于單次，而當對話更加偏向多輪維護和演化，團隊又有了普遍理解下的context engineering。

這個是基于現實需求的：需要多次推理和更長時間范圍內運行的AI 智能體。

context engineering在動態策劃和管理進入context window 的信息流：包括收集、存儲、管理、利用。

這個本身就有很多的設計元素，所以Karpathy說：context engineering是藝術和科學。

諷刺的是，當機器變得更聰明，context engineering反而變得更復雜了。

為什么？因為選擇太多了：

• 我應該給它多少上下文？
• 以什么順序組織？
• 如何平衡細節和概括？
• 何時用few-shot，何時用zero-shot？
• 如何避免「lost in the middle」問題？
• 這就是為什么團隊需要一個系統化的框架。

如何做好Context Engineering 2.0？

理解了context engineering的本質（熵減少）和歷史（30年演化），讓咱們回到最實際的問題：

在大模型時代，如何做好context engineering？

基于對100+篇論文的分析和實踐經驗，團隊提出一個系統化框架：

Context Engineering = Collection × Management × Usage

即：上下文工程 = 如何收集上下文 × 如何管理上下文 × 如何使用上下文

這三個維度是正交的——你可以在每個維度上獨立優化。

維度1：Context Collection（收集）

核心問題在于：如何收集并存儲有價值的上下文？

Collection的本質是回答：機器需要知道「你」的哪些方面？

在Era 1.0時代，那時候機器趨向單設備、結構化，機器只需要知道你的「指令」。

機器能收集的上下文極其有限：GPS: 你在哪；Clock: 現在幾點；Keyboard: 你打了什么字

存儲？全在本地硬盤里，txt日志或簡單數據庫。網絡上傳？那時候網速慢、不穩定，根本不現實。

Era 2.0時代，多設備、多模態開始成熟，機器需要知道你的「意圖」。

機器可以從無數「觸角」收集上下文，傳感器更加強大了：手機的GPS/加速度計/攝像頭、可穿戴設備的心率/步數、智能家居的溫度/光線、云服務的郵件/日歷、第三方API的天氣/交通。

更重要的是，機器學會了「多模態融合」： 看圖片（識別你在吃什么）、聽語音（理解情緒和意圖）、讀文檔（分析工作內容）。

而對于存儲，context的存儲甚至可以不局限于context window，也可以擴展到本地文件存儲，甚至上傳到云端，甚至可以存放在大模型參數中。

團隊預測，Era 3.0時代將實現無感采集，機器需要知道你的「狀態」。

此時，context的收集應當更加順滑。通過腦機接口，可以獲得人的注意力、情緒、認知負荷等等；通過AR眼鏡，人的視線、環境、社交互動可以被更好地捕捉… …

維度2：Context Management（管理）

收集到上下文之后呢？

想象你剛結束一場3小時的頭腦風暴會議。筆記本上寫滿了想法、疑問、決策、待辦事項。現在，你會怎么處理這些信息？

如果你什么都不做，只是把筆記本扔進抽屜——那么之后，你可能只剩下幾個模糊的印象。

如果你花30分鐘整理——提煉核心決策、標注優先級、歸檔到不同文件夾——這樣，你就可以快速找到關鍵信息，接著干活。機器也面臨同樣的問題。

這就是Context Management的本質：存儲和組織原始信息，讓上下文可以被更好地利用。

你和AI聊了3小時，生成了20萬個token。

現在你問新問題，AI需要讀完這20萬個token嗎？顯然不行。在設計時，人往往會采取一系列組織策略：

分層記憶架構：團隊可以將記憶分成長短期。比如短期記憶（RAM）可能存儲當前對話的最近10條消息，長期記憶（硬盤）可能存儲跨會話的重要知識和偏好。

子代理隔離上下文：Claude Code創建子代理執行獨立任務（「搜索文檔」），給它獨立的上下文窗口和最小權限。完成后只返回結果——不污染主上下文。就像人類臨時叫同事查數據，他只告訴你結論。

輕量引用：不把大文件塞進上下文，而是存到外部，只放「指針」。平時只看摘要，需要時再調用完整數據。

不過，如果只原樣存儲對話，那只是「記憶」——得翻遍所有對話才能找信息。

但如果AI能主動提煉——把100條對話壓縮成「用戶偏好清淡口味，關注健康，預算中等」——這就變成了「知識」。

就像人類認知過程： 短期記憶（今天吃了什么）→語義記憶（我喜歡吃川菜）；具體經歷（每次開車細節）→技能（開車技能）。

這個把記憶不斷抽象化乃至形成認知的過程，被稱為Self-Baking。

團隊的策略可能是——

• 自然語言摘要：保存完整對話，定期生成摘要。
• 結構化提取：提取關鍵事實填入預定義結構，構建實體圖（用戶-偏好-航班-關系）。
• 漸進式向量壓縮：把信息編碼成數學向量，多級壓縮（100條對話→10個向量→1個超級向量）。舊向量定期「合并「成更抽象的向量。

而Self-Baking的本質，其實就是把「存儲」和「學習」分開。

沒有Self-Baking：AI只會回憶（「你上次說了什么？」）

有了Self-Baking：AI可以積累知識（「我知道你喜歡什么」）

這是從「工具」到「伙伴」的分水嶺。

維度3: Context Usage（使用）

收集了上下文，管理好了上下文，最終還是要用起來。

咱們還是分三個階段來討論：

Era 1.0: 被動響應

那個時代，機器只會「if-then」。

你走進辦公室，傳感器檢測到：「位置=辦公室，時間=9:00」，于是系統執行：「手機靜音，打開電腦」。

上下文的使用完全是被動的、固定的、局部的——每個模塊各自為政，通過集中式上下文服務器讀取數據，遵循全局schema，沒有協作，沒有推理，沒有適應。

這不是「理解」，只是「匹配」。

Era 2.0: 主動理解

現在，機器學會了初步「理解」和初步「協作」。

對于上下文的利用，2.0時代有很多設計考量：

在多agent系統中，多agent之間的上下文怎么共享？

在RAG的過程中，怎么進行更好的選取和搜索？怎么更好地讓回答符合用戶個性化？

甚至未來，上下文的長度越來越長，中間會遇到什么樣的挑戰？

工業上，也有很多細節性策略。比如怎么處理kv cache？怎么更好地設計tool？claude code的相關設計是什么？Deep research相關的設計是什么？

Era 3.0：流暢協作

那時，交互將變得完全自然——你感覺像在和一個深刻理解你的朋友交流。

系統間協作不再需要翻譯器，AI代理們像人類一樣自然理解彼此，動態對齊概念和意圖。上下文選擇變成主動構建——預測你下一步需要什么，提前準備好支持性上下文。

記憶系統真正像人腦一樣自主進化，自己發現復雜關系，動態調整結構，主動決定什么該記、什么該忘。

甚至AI不再需要你明確說明需求，通過微妙線索就能把握你的真實意圖，甚至在你自己沒意識到時就提供幫助。

那時的人機共生應當是這樣的：AI成為你的認知延伸，而非外部工具。

關鍵轉變兩點點：

1、從感知上下文，到協作上下文，到構建上下文，

2、機器不再只是理解你的上下文，而是開始為你構建新的上下文。

當AI超越人類

現在，團隊做了一個大膽的思想實驗。

如果認知鴻溝的收斂曲線繼續延伸下去，進入Rea 4.0時代會發生什么？

團隊認為，在某些任務上，AI的能力將超越普通人類。這不是科幻，而是正在發生：

• Chess: AI早已超越人類（1997）
• Go: AlphaGo超越人類（2016）
• Protein Folding: AlphaFold超越人類（2020）
• Code Generation: Copilot在特定任務上接近專家水平（2023）
• Mathematical Reasoning: 正在快速逼近（2024-2025）

問題是：當AI全面超越普通人類時，Context Engineering會變成什么樣？

可能是：AI不再等你問問題；AI通過分析你的行為模式，推斷出你自己還未明確的需求；AI主動構建上下文，而不是被動接收……

這是認知倒置：從「人教機器「到「機器引導人」。

因此，團隊認為，上下文會構成新的人類身份。

當員工離職后，組織可能仍保留其「上下文表示」，系統可以咨詢、模擬甚至與這個上下文協作。

這些上下文的總和，在某種意義上，就是「數字化的你」。

簡單來說——

傳統觀念：人 = 身體 + 意識

新觀念：人 = 上下文的總和

你想留下什么樣的上下文？

寫到這里，咱們跟隨團隊完成了一次30年的時空旅行：

從1994年的Context-Aware，到2024年的Context-Cooperative，再到2050年可能的認知融合。

Context Engineering的核心，從未改變：

彌合人與機器之間的認知鴻溝，讓兩種不同的智能形態能夠相互理解、協作、共生。

但它的形態，在不斷演化：

• Era 1.0: 硬件密集型（傳感器、規則引擎）
• Era 2.0: 數據密集型（用戶畫像、知識圖譜）
• Era 3.0: 語言密集型（Prompt Engineering）
• Era 4.0: 認知密集型（超智能引導人類）
• Era 5.0: …

人類正站在通向到3.0的轉折點上。

基于此，團隊給出了三個行動建議——

對研究者：

這個領域還有太多未解之謎：如何評估上下文質量？如何在隱私和效用間平衡？如何設計ethical context engineering？如何處理上下文的動態演化？如何在多智能體系統中管理上下文？

這些問題的答案，將定義下一個十年。

對開發者：

下一個Interface Revolution正在醞釀。從CLI到GUI用了20年，從GUI到Mobile用了15年，從Mobile到Chat用了10年，下一次革命會更快。

誰能設計出最好的「上下文容器」，誰就能定義下一個時代的交互范式。機會窗口正在打開。

對所有人：

思考一個問題：如果你是你的上下文的總和，如果你的上下文會在你之后繼續存在，如果未來的AI會基于你的上下文來「模擬」你，那么，你想留下什么樣的上下文？

這不是一個技術問題，這是一個存在主義問題。你的每一次對話、每一個決策、每一個創作，都在塑造你的「數字遺產」。

你在書寫你的上下文，而你的上下文，也在定義你。

你的上下文，塑造了你看到的這篇文章。

這篇文章，也將成為你上下文的一部分。

論文地址：https://arxiv.org/pdf/2510.26493

Github 地址：https://github.com/GAIR-NLP/Context-Engineering-2.0

SII Personal Context：https://www.opensii.ai/