一、從 Prompt Engineering 到 Context Engineering
在過去幾年，AI 開發者最常提到的詞是「Prompt Engineering」——如何用最合適的指令讓模型表現出想要的結果。
但如今，我們面臨一個更大的問題：當 AI 不再只是回答問題，而是要長時間自主運作時，我們該如何為它安排思考的空間？
這正是 Context Engineering（上下文工程） 登場的時刻。
二、什麼是「上下文工程」？
在大語言模型（LLM）中，「上下文」指的是模型在推理過程中可見的所有資訊：
系統指令、對話歷史、工具調用、外部資料……
而上下文工程，就是如何在有限的上下文視窗裡，放入最有價值的資訊，讓模型在關鍵時刻能「想得對」。
它不再只是「寫提示詞」那麼簡單，而是一種資料管理與注意力設計的工程學。
對開發者而言，這意味著每一個 token（文字單位）都必須物盡其用。
三、為什麼上下文工程如此重要？
LLM 和人一樣有「注意力預算」。
當上下文越來越長，模型的專注力會分散，準確性下降。這種現象被稱為 context rot（上下文腐蝕）。
Transformer 架構讓每個 token 都能關注其他所有 token，這意味著上下文越大，注意力連結呈平方級增加，模型的「理解焦點」反而被稀釋。
因此，上下文是有限資源。
就像人類需要選擇性注意，AI 也需要被設計成「有選擇地思考」。
四、打造有效上下文的原則
要讓模型保持「專注」，Anthropic 提出幾個關鍵策略：
- 清晰的 System Prompt
- 用簡單直接的語言表達預期行為。
- 不要寫死複雜邏輯，也不要空泛指導。
- 「剛剛好」的指令，是能給出方向又保留靈活度的那種。
- 精簡高效的工具（Tools）
- 每個工具功能明確、命名清楚。
- 避免重疊或含糊的工具設計。
- 工具應該幫助模型高效獲取資訊，而不是拖慢它的思考節奏。
- 典型的 Few-shot 示例
- 不需要列出所有邊界情況。
- 只要挑出能代表任務核心的「經典案例」，就能給模型最強的行為暗示。
總原則是：讓上下文「資訊密度高但體積小」。
五、動態上下文與「即時檢索」
傳統的上下文是靜態的：在推理前一次性餵給模型所有資訊。
但更先進的策略是 Just-in-time retrieval（即時上下文）。
這種方式讓 AI 代理像人一樣——只在需要時才去查找資料。
Claude Code 就採用了這種設計：
它不一次讀完整個資料庫，而是用工具在運行時動態載入片段、查詢結果、檔案摘要等。
這種「按需思考」讓模型保持輕盈，同時具備探索能力。
六、長期任務中的三大技巧
當任務需要持續數小時、跨越多輪推理時，Claude 採用三種策略來維持連貫性：
- Compaction（壓縮）
將長對話或程式歷史壓縮成摘要，只保留關鍵資訊。
像人做筆記一樣，濃縮出「精華上下文」。 - Structured Note-taking（結構化筆記）
模型會定期把進度寫進外部筆記檔，如 NOTES.md。
這讓它能在多階段任務中保有記憶，即使上下文被重置，也能從筆記中「回想起來」。 - Sub-agent Architecture（子代理架構）
一個主代理負責規劃，多個子代理各自處理專項任務，再把結果壓縮回主代理。
這種分層方式既減少記憶負擔，又能提升任務精度。
七、結語：上下文是稀缺資源
Context Engineering 是一場從「指令」到「認知設計」的轉變。
未來，隨著模型變得越來越聰明，人類將不再需要手把手地規定行為，
但對上下文的精細管理，仍然是讓 AI 穩定且可控的核心。
“Do the simplest thing that works.”
—— Anthropic Applied AI Team
原文：https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
油管：https://youtu.be/Arj6eVmT-Ro
