最近，“上下文工程”这个词确实引发了不少讨论。两周前发了一篇概念普及文章，当时估计多数读者看完都没啥体感，感觉无非又是AI圈造了个新词。但这个东西到底是概念炒作还是真趋势？从实际效果来看，绝对趋势。

其实叫什么并不重要，重要的是我们真正理解它是什么、怎么用。近期有一个基于Claude Code的开源项目叫context-engineering-intro，它介绍的“上下文工程”（Context Engineering）本质上是一套让AI编程助手真正可用的方法论。核心思想很简单：不要只给AI一个简单的指令，而是要给它搭建一个完整的“工作环境” —— 就像你让一个新员工干活，不能只递张纸条，你得给他工位、电脑、操作手册、参考案例，还得告诉他公司规矩。

整个流程可以拆解为五个关键步骤。

第一步：搭框架（CLAUDE.md）。这个文件相当于给AI定公司规章制度。比如代码必须怎么写（缩进用空格还是Tab）、测试要覆盖多少、文档必须包含哪些内容。它就是AI的“员工手册”，每次干活都会自动遵守这些规则。CLAUDE.md是通过Claude Code的/init命令自动生成的，它会扫描整个仓库，最终生成一份精要的项目开发指南和原则手册。后续所有命令都会默认把这个文件注入到上下文中。

第二步：写需求（INITIAL.md）。不是简单说“做个网站”，而要像专业产品需求文档那样写清楚：用什么技术栈（比如React+Python）、要对接哪些API、性能要求（支持1000人同时访问）、参考哪些现有代码（examples/里的案例）。这就好比给程序员的需求文档越详细，成品越符合预期。

第三步：生成PRP蓝图。用/generate-prp命令让AI自己把需求文档转化成超级详细的施工图（PRP文件）。这个文件会包含：分几步开发、每步要写哪些文件、怎么验证代码是否正确、遇到错误怎么处理。相当于AI自己做了个项目管理甘特图。

第四步：执行开发。用/execute-prp命令让AI照着蓝图写代码。关键点是AI会边写边自查：写完一个功能就自动跑测试，失败了会自己debug，直到全部通过为止。就像有个程序员在持续集成环境里开发。

第五步：案例库支撑（examples/）。项目强调要在examples文件夹放大量样例代码，比如“正确的错误处理长什么样”“API该怎么调用”。AI会像新人学习老员工的代码一样，直接模仿这些案例的风格和模式。

这种方法的突破性在于：传统prompt engineering像猜谜语（不断调整指令 wording），而上下文工程是给AI装备完整的“开发工具包”。实验证明，配上详细案例和规则的AI助手，第一次就能写出可用代码的概率能提高10倍以上。

举个实际例子：要让AI写个爬虫，传统方法是不断修改prompt“用Python爬数据存数据库”；上下文工程则是：在CLAUDE.md定义必须用异步编程，在examples放现成的防封禁爬虫案例，在INITIAL.md指定要爬哪些网站、存PostgreSQL数据库的哪个表，生成PRP后AI会自动处理验证码、限速等问题。

有实际案例验证了这套流程的有效性。按照上述流程，Claude Code自迭代了20分钟，耗费了Pro会员一半的用量，完成了所有需求，一次跑通。因为有了生成PRP的过程，在实施之前，可以检验设计是否符合预期，再对文档稍作修改。最终交付的结果质量非常高，预期满足率超过95%。所有的代码抽象、接口封装、缓存设计、可靠性设计都非常符合预期，说实话，比亲自上手写的版本强出不少。

这算是最近看到的一个最有画面感的“上下文工程”案例。其实本质就是在让AI干一件复杂的事情之前，把所有预期和认知用文字提前表达清楚，借助AI工具辅助补充完整，形成一套“Workflow”。里面包含了精心调优过的Prompt（自定义command）。

延展一下就是，每一个Repo、每一个场景都可以借助这套范式，通过持续的调优，定义出最符合、效果最好的“上下文工程”资产。大家可以实践起来，没有Claude Code，用Gemini CLI、Cursor也同样可以干。