Context Engineering：提示词工程的下一步

只会改 Prompt，往往解决不了多轮 Agent 的失焦。Context Engineering 关注的是：每次请求究竟把哪些信息送进模型。它把系统指令、工具 / MCP、外部资料、记忆和消息历史放在同一个设计问题里。Anthropic 将它视为 Prompt Engineering 的自然延伸；一篇 arXiv 综述则把它拆成上下文的检索与生成、处理、管理，并把 RAG、记忆、工具调用和多智能体视为系统实现。12

真正难的地方不是把上下文塞满，而是让每个 token 都对当前任务有用：工具要少而清楚，资料要按需加载，长任务要保留关键决策并清理冗余。OpenAI 的示例还提醒：稳定的指令和工具可以放在前面，动态内容放在后面，再用评测决定何时裁剪、压缩或更新记忆。34

想动手：先写一份任务的上下文契约，再做最小版本；随后记录模型在哪些地方失焦，针对失败模式补检索、工具筛选、压缩或结构化记忆。可从 Anthropic 的 Context Engineering 文章、OpenAI Cookbook 示例 和 LangChain 的练习仓库 开始。