Prompt Engineering 已死？Context Engineering 才是未来

“你的 Prompt 写得好不好？” 这句话在 2023 年可能是 AI 圈的问候语。但在 2026 年的今天，如果你还在纠结于"深呼吸"、“一步步思考"这些咒语，那你可能已经掉队了。

随着 Claude 3.5/3.7 等模型的发布，以及 200k+ 甚至无限上下文窗口的普及，Prompt Engineering（提示词工程）正在迅速消亡，取而代之的是 Context Engineering（上下文工程）。

为什么 Prompt 不再是瓶颈？

回想一下，我们为什么要费尽心机写 Prompt？

模型不够聪明：需要通过特定的指令格式（CoT, Few-Shot）来引导它推理。
上下文太短：只能塞进 4k token，必须精简每一个字，甚至牺牲可读性。

现在情况变了。模型已经足够聪明，能够理解自然语言的复杂指令。更重要的是，上下文窗口的爆炸式增长，让我们不再需要"惜字如金”。

但大窗口带来了新问题：“大海捞针”（Needle In A Haystack）。

当你把整个代码库、几十篇文档全部丢给 AI 时，它变笨了。它开始幻觉，开始遗忘，开始抓不住重点。这不是模型的问题，是信息信噪比的问题。

与其绞尽脑汁优化那 50 个字的 Prompt，不如花时间优化那 200,000 个字的 Context。这就是 Context Engineering。

什么是 Context Engineering？

简单来说，Context Engineering 就是如何高质量地“喂”数据给 AI。它不再关注“怎么问”，而是关注“基于什么信息回答”。

一个优秀的 Context Engineer 会关注以下三点：

1. 筛选（Curation）：少即是多

不要把整个项目 src 目录丢给 AI。

错误做法：cat src/**/* | llm "帮我修复 bug"
正确做法：利用 grep/rag 找到相关的 3 个文件，提取出核心逻辑，再丢给 AI。

噪音是智能的杀手。无关代码不仅浪费 Token，还会干扰模型的注意力机制。在海量信息中，**相关性检索（Retrieval）**成为了比推理更重要的能力。我们需要像搜索引擎一样思考：在 AI 开始回答之前，它需要先看到哪几行代码？

2. 结构化（Structuring）：XML Tags 是神

Anthropic 的系统提示词中充满了 <document>, <instruction>, <example> 这样的 XML 标签。为什么？因为大模型对结构化数据的理解能力远超纯文本。通过 XML 标签明确区分“参考资料”、“用户指令”、“历史对话”，能显著降低模型的混淆率。

Context Engineering Structure

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


<context>
  <file path="utils.py">
    ...代码...
  </file>
  <error_log>
    ...错误信息...
  </error_log>
</context>
<instruction>
  基于上述 Context 分析错误原因。
</instruction>

不仅是 XML，JSON、Markdown 表格、Mermaid 流程图，任何具有强结构的格式，都能帮助模型建立信息的拓扑关系。结构化不仅是给模型看的，更是为了让 Context 可维护、可调试。

3. 动态更新（Dynamic State）

Context 不是静态的。在多轮对话中，Context 应该像操作系统的内存管理一样，有进有出。过时的信息（比如已经修复的 bug）应该被移出，新的决策应该被加入。

一个典型的 Session 应该包含三个区域：

只读区 (Read-Only)：核心文档、系统设定。
工作区 (Working Memory)：当前正在编辑的文件、最新的报错信息。
归档区 (Archive)：已经完成的任务摘要。

优秀的 Agent 会自动将“工作区”的内容压缩摘要后移入“归档区”，始终保持“工作区”的清爽和高相关性。

案例分析：Claude Code 的上下文管理

作为 Context Engineering 的集大成者，Claude Code (CLI) 给我们展示了教科书般的实践。

Claude Code Workflow

当你使用 Claude Code 时，你并没有手动管理 Context，但它却能记住很多东西。它是怎么做的？

Compact History（压缩历史）：它不会把所有的 ls 输出和文件内容都一直保留。它会定期总结之前的操作，把 verbose 的输出压缩成简短的摘要。这就像是人脑的长短期记忆机制，只保留关键节点，遗忘琐碎细节。
按需读取（On-demand Reading）：它不会一开始就读取所有文件。它会使用 ls 探索，使用 grep 搜索，最后只 read 真正需要的文件。这是一种**主动式（Active）**的信息获取策略，而非被动接收。

用户如何辅助 Claude Code？ 很多用户喜欢一上来就说：“Read all files in src”。这是典型的 Prompt 思维（怕 AI 没看到）。在 Context Engineering 思维下，你应该说：“Investigate how authentication works, start by exploring the auth middleware.” 让 Agent 自己去构建它需要的 Context，往往比你一股脑塞给它要好得多。

此外，显式地清除上下文也是一种高级技巧。当你完成了一个复杂的任务，准备开始下一个毫不相关的任务时，使用 /clear 或 /compact 命令，就像是在两节课之间擦黑板，能显著减少后续任务的幻觉。

总结

未来的 AI 交互，核心能力不再是“写诗般的指令”，而是**“信息架构师”**的能力。

你需要知道 AI 在解决这个问题时需要什么信息，不需要什么信息，以及如何以最清晰的结构呈现给它。

Prompt is cheap. Context is expensive. 这里的 expensive 不仅指 Token 费用，更指构建高质量 Context 所需的认知成本。

下次觉得 AI 变笨的时候，别急着改 Prompt，检查一下你的 Context。