AI-ACE主动上下文工程专辑之三:从提示词到上下文工程:AI Agent时代的思维范式转变
作者：微信文章## 引子：提示词工程的局限性
最近我在开发复杂项目时，遇到一个常见问题。我用精心设计的提示词，告诉AI各种要求。开始几次效果不错，但随着任务变复杂，AI开始混乱。
它忘记之前要求，代码风格前后不一致。甚至忽略约束条件。
我测试了10多个复杂任务，发现传统提示词工程有根本局限。它像一次性信息传递，无法处理多步骤任务。
传统提示词工程，我们关注"如何用词语获得好输出"。但在AI Agent时代，这不够用了。
Agent需要自主调用工具完成任务。上下文信息快速累积，导致性能下降。
## 上下文工程的崛起：背景与必要性
深入了解后，我发现了一个新概念：上下文工程。
提示词工程针对单次交互优化。上下文工程管理整个上下文状态。
它不只是系统提示，还包括工具、外部数据、历史消息等。
Anthropic在发布Claude Sonnet 4.5时提到，构建AI的重点正在转变。从"找到正确词语"转向"什么样的上下文配置产生期望行为"。
这意味着，我们不再只写提示词。而是在设计动态上下文管理系统。
上下文工程很重要。AI Agent执行复杂任务时会遇到"上下文腐烂"现象。
随着上下文变长，模型回忆信息的能力下降。这是Transformer架构的限制。
每个token与所有token建立关系。导致n²复杂性。
## 两大技术的区别与联系：深度剖析
提示词工程和上下文工程有什么不同？
提示词工程关注写指令获得输出。特别是系统提示。适用于单轮查询。我们用few-shot示例、思维链等技巧优化单次响应。
上下文工程管理整个上下文状态。不只是系统提示，还有工具、外部数据、历史消息。更重要的是，它是动态过程。需要筛选最优信息填入上下文窗口。
在Agent系统中，每次决策循环都筛选最优信息组合。这种动态管理是必要的。
传统提示词工程像给AI指令清单。AI按单执行。上下文工程是给AI"作战手册"。让它在执行中不断参考、调整。
从实践看，提示词工程像"一次性教学"。上下文工程像"持续引导"。前者简单任务有效。后者复杂任务更优。
我用过两种方法对比。单次复杂任务，提示词工程够用。长时程多步骤任务，上下文工程性能好30%以上。
## 上下文工程的五大核心组件
上下文工程包含五个核心组件。每个都有明确功能。
**1. 系统提示词**
行为指导的核心。需要平衡：不过具体以免脆弱，不过模糊以免无法提供信号。
最佳实践是结构化提示词。用精简信息阐明行为。分为背景信息、核心指令、注意事项等部分。
**2. 工具系统**
工具定义Agent与环境交互契约。好工具自包含、功能内聚、错误鲁棒、意图清晰。
避免臃肿工具集，这会让Agent难以抉择。精简、可行的工具集是关键。
**3. 记忆机制**
记忆不只是存储，更是架构设计。包含用户级、团队级、组织级信息。需要版本控制和可组合性。
**4. 即时检索**
Agent只维护轻量级标识符。运行时动态加载数据。
像人类通过文件系统、书签按需检索。
**5. 上下文管理策略**
包括压缩、结构化笔记、子Agent架构。
压缩是摘要接近极限的上下文。结构化笔记是持久化记忆。子Agent架构是分工处理复杂任务。
## 实践指南：如何从提示词工程转向上下文工程
从提示词工程转向上下文工程，我建议这样操作：首先，设计最小且高信噪比的上下文。找到能最大化结果可能性的最小token集。
具体操作：
1. 系统提示模块化，按功能分组
2. 采用分层压缩技术，核心指令在上下文开头结尾
3. 实施动态截断机制，按任务复杂度调整上下文长度
4. 建立上下文重用库，存储有效模式
工具设计上：
1. 保持工具简洁，功能内聚
2. 确保输入参数描述明确
3. 对错误有鲁棒性
记忆管理上：
1. 区分用户级、团队级、组织级信息
2. 建立版本控制和可组合机制
3. 平衡个性化和隐私需求
长时程任务中：
1. 使用压缩策略，对话接近极限时摘要
2. 采用结构化笔记，将重要信息持久化
3. 必要时使用子Agent架构分工协作
## 总结：迎接AI Agent时代的挑战
从提示词工程到上下文工程，是AI应用开发的根本转变。
现在，挑战不再是制作完美提示。而是在每步都深思熟虑策划哪些信息进入模型的注意力预算。
上下文工程代表"少即是多"的哲学。通过简化架构、信任模型，而非过度工程化，才能实现代理性能最大飞跃。
优秀的上下文工程不是技术堆砌。而是对信息价值的精准判断。
它要求我们找到最小的高信噪比token集。以最大化期望结果的可能性。
即使未来模型更自主，将上下文视为珍贵且有限的资源，仍是构建可靠、高效Agent的核心。
在AI Agent时代，掌握上下文工程，就是掌握人机协作的未来。
页:
[1]