AI Agent 应用正经历一场从“提示词工程”向“上下文工程”的深刻范式迁移，这将成为下一代 AI 产品构建核心竞争力的关键突破口。

提示词工程的辉煌与局限性

过去几年，业界大量精力集中在提示词（Prompt）的优化上。我们学习如何下达更清晰的指令、提供更丰富的背景，并通过少量示例引导大模型，力求在单次交互中获得令人惊艳的结果。

在这一阶段，行业普遍迷信更大的上下文窗口（Context Window），认为更长的上下文就能带来更强的智能，似乎只要把所有资料都灌给大模型，它就能解决一切问题。于是从 2024 年 3 月起，以 Kimi 为代表，各大模型厂商开始竞相提升上下文长度。

然而，随着 AI Agent 应用的深入实践，纯提示词工程（PE）很快遇到了瓶颈。大型语言模型存在注意力预算（Attention Budget）的限制——当上下文窗口被海量、未经筛选的信息填满时，模型性能不会线性提升，反而因信息过载而下降，产生上下文衰减（Context Rot）现象。模型会遗忘或忽略上下文开头或中间的关键信息，导致输出结果的连贯性和准确性大幅降低。

同时，基于传统单条提示词 + 参考资料的 PE 范式，正被上下文工程逐步取代。

上图直观展示了两种模式的根本区别：左侧的提示词工程是一条单向、一次性的路径；右侧的上下文工程则是一个动态、循环的系统，强调在信息送入模型前必须经过一道关键工序——策展（Curation）。

提示词工程 vs 上下文工程对比表：

• 提示词工程：静态指令 + 参考资料；一次性填充；信息无筛选；容易上下文超限或衰减
• 上下文工程：动态策展 + 循环管理；持续优化；信息智能压缩；持久化与子智能体支持

上下文工程的三大核心策略

上下文工程的本质，是一套关于如何为 AI 精心筛选和管理信息的系统性方法论。它不再追求将所有信息塞给模型，而是追求在每一个任务环节都为模型提供最优信息组合。根据 Anthropic 的实践，可归纳为三大核心策略。

策略一：优化窗口内的信息流——动态压缩（Compaction）

解决长对话中信息遗忘问题最直接的方法，是在上下文窗口接近上限时，对内容进行智能压缩。这并非粗暴总结，而是保留关键决策、待办事项和核心上下文的提炼过程。

在 Claude 玩宝可梦的 Agent 实验中，系统通过一个循环的“摘要/管理”模块，让 Claude 持续总结游戏进展，使 AI 在长达数小时的游戏过程中保持目标和记忆的连贯性。通过这种方式，AI 获得了在长时间任务中进行自我反思和状态跟踪的能力，确保“注意力预算”始终用在最关键的信息上。

小提示：在实际业务中，即使采用动态摘要，若用户输入的所有内容都很重要且难以舍弃，最终仍可能达到上下文上限。建议结合优先级标记或重要性评分，让压缩模块自动决定保留哪些信息。

常见问题：动态压缩会丢失细节吗？
答：会丢失部分非关键细节，但核心决策链条和待办事项会被保留。若某些细节对任务至关重要，应通过持久化记忆模块保存，而非依赖上下文窗口。

策略二：突破窗口的物理限制——持久化记忆（Persistent Memory）

大模型上下文窗口类似计算机内存，断电即失。要让 AI 具备长期记忆和个性化能力，必须为其配备“硬盘”——持久化的外部记忆模块。上下文工程赋予 AI 调用工具的能力，使其可随时读写外部知识库或笔记文件。

在宝可梦 Agent 中，AI 通过工具随时更新自己的“知识库”，记录关键发现和个人偏好。这一策略使 AI 能超越单次对话限制，沉淀对用户和项目的理解，构建能与用户共同成长的伙伴式 AI。

小提示：持久化记忆模块应设计为结构化的键值存储（如记忆向量数据库），并为每条记忆附加时间戳、重要性评分和关联上下文标签，便于后续精准检索。

常见问题：持久化记忆会不会导致隐私问题？
答：是的。设计时需指定哪些信息可持久化、哪些仅用于单次对话。建议为用户提供记忆清除按钮，并遵守数据隐私法规。

策略三：分解复杂任务的上下文——子智能体架构（Sub-agent Architectures）

当 AI 面对需要多种专业能力的复杂任务时，让单一 Agent 承载所有上下文和工具通常导致混乱。Anthropic 给出的更优策略是“分而治之”——将宏大目标分解，交由多个专职的子 Agent 协同完成。每个子 Agent 拥有自己独立的、高度优化的上下文环境，专注处理特定子任务。

例如，一个中心化 Agent 可将开发任务分解，协同调度四个子 Agent 分别处理邮件、搜索、总结和清理等工作。这种架构极大降低了单个模型的认知负担，通过上下文的隔离和分发，提升系统整体性能和稳定性。

推荐阅读：Anthropic 关于多 Agent 设计的另一篇博客

小提示：子 Agent 间通信建议使用统一的消息格式（如 JSON），并设计超时重试机制。中心 Agent 应维护任务状态图，确保子 Agent 不会因上下文隔离而产生死锁。

常见问题：子智能体架构会增加系统复杂度吗？
答：会，但收益更大。建议先从 2-3 个子 Agent 开始，逐步扩展。使用工作流引擎（如 LangGraph、Dify）可降低编排复杂度。

从理论到实践：上下文工程的价值

上下文工程不仅是理论进步，更在实践中带来可量化的性能提升。Anthropic 内部数据显示，无论是集成 Slack 还是 Asana 的工具，经过精心设计的版本（应用上下文工程思想），任务完成准确率显著高于人工常规编写的版本。

这些数据说明：AI 产品的性能上限不仅取决于模型能力，更取决于围绕模型构建的“信息整理系统”的精巧程度。有效的 AI 工程化方案能让产品显著拉开差距——无论是成本还是效果。

对工具返回格式的细微调整（如提供 concise 或 detailed 选项让 AI 自行选择），也能有效提升交互效率和任务成功率。

上下文工程将成为你新的护城河

上下文工程的兴起，为所有 AI 产品和创业者明确了新战略焦点：未来 AI 产品的核心竞争力，正从基础模型的原生能力转向开发者对大模型的架构能力。开发重心需要从单纯追求更好模型，转向设计更高效、符合产品定位的上下文工程化架构。

毕竟，大模型基模能力已接近边界，模型本身难以再卷出新高度。接下来竞争的将是：

• 你的 AI 动态压缩机制设计得有多智能？
• 你的 AI 持久化记忆架构得有多高效？
• 你的 AI 子流程拆解得有多丝滑？

这些共同构成你的上下文管理架构，即使恶意用户也无法像提示词那样套取。它才是真正无法被轻易复制的核心竞争力。

同时，团队能力模型也需要调整。得益于 Vibe Coding 的崛起，产研团队的核心能力，需从提示词调优技巧，扩展到信息流管理、智能体协同设计和动态数据策展等系统工程能力。