这篇文章带你了解AI领域从提示词工程到上下文工程的关键转变，学会如何通过构建更智能的系统释放AI的真正潜力。核心内容包括：演变背景、核心概念与重要性、实际应用场景与未来发展方向，以及LangGraph如何落地上下文工程。

从提示词工程到上下文工程的演变

有一段时间，提示词工程是AI世界的流行词。我们在网上分享提示词技巧，收藏提示词库，争论“扮演一个...”是否比“你是一个...”给出更好的结果——当AI主要意味着与GPT聊天时，这很有道理。但游戏规则已经改变了。

当提示词不再足够时

在ChatGPT的早期，你可以通过巧妙的措辞完成惊人的工作量：想要一首诗？想要代码？想要结构化的JSON响应？你只需要找到魔法词汇。提示词工程专注于制作巧妙、简洁的请求，从黑盒中挤出性能。

但我们不再只是聊天了。我们在构建——能够规划、推理和行动的AI智能体；动态获取和注入信息的RAG系统；具有记忆、工具和状态的工作流；融合文本、代码、视觉、音频和工具的多模态管道。所有这些都依赖于一件事：上下文。

什么是上下文工程？

说实话，只有这个术语是新的。我们已经在做上下文工程了，只是没有这样称呼它。每次我们制作更好的提示词时，往往是因为提供了更好的上下文——更多的清晰度、更多的例子、更多的约束。“更好的提示词”只是那个有更好上下文的。

现在，它提升到了另一个层次。我们不再只是调整短语，而是在构建系统：记忆、检索、工具、状态、多模态信息——全部缝合在一起，为模型提供它需要的东西，在它需要的时候。

正如Andrej Karpathy（特斯拉前AI总监、OpenAI创始成员、著名AI教育家）所说：

“支持‘上下文工程’而不是‘提示词工程’。人们将提示词与简短的任务描述联系起来……而在每个工业级LLM应用中，上下文工程是用恰好正确的信息填充上下文窗口以进行下一步的精妙艺术和科学……”

让这句话深入人心：上下文工程是决定模型在每一步知道什么、看到什么和记住什么的关键。它不仅仅是关于你说什么，而是关于模型在幕后看到什么。

Karpathy继续将“上下文窗口”描述为真正的战场：

“……任务描述、示例、RAG结果、多模态输入、工具调用、状态/历史——所有这些都需要仔细编排。”

它是信息设计、软件架构和叙事的结合。甚至Datasette的创建者Simon Willison也呼应了这种转变：

“‘提示词工程’让人们想到巧妙的文字游戏。但现在重要的是以正确的格式、正确的顺序构建正确的数据。”