2025年下半年，Anthropic 工程团队发布了一篇影响深远的技术博客《Effective Context Engineering for AI Agents》，在 Hacker News 上获得了 148 分的高赞。紧接着，Manus 团队也分享了他们在构建 AI Agent 过程中关于 Context Engineering 的实战经验，同样收获了 120 分。两篇文章不约而同地指向同一个结论：在 AI Agent 时代，Prompt Engineering 已经不够用了，我们需要 Context Engineering。

这不是一次简单的术语更替，而是 AI 应用开发范式的根本性转变。本文将深入剖析 Context Engineering 的技术原理、核心策略和工程实践，帮助你理解为什么它是让 AI Agent 从“能聊天”进化到“能干活”的关键一步。

一、从 Prompt Engineering 到 Context Engineering：为什么需要进化？

Prompt Engineering 关注的是如何写好一条指令，让模型在单次交互中给出最佳回答。这在 Chatbot 时代足够了——用户问一句，模型答一句，上下文就是对话历史。

但 AI Agent 完全不同。一个真正的 Agent 需要：

当 Agent 的上下文窗口从简单的对话历史扩展到工具输出、文件内容、系统提示、技能文档等多维信息时，如何管理和组织这些上下文就成了核心挑战。这就是 Context Engineering 要解决的问题。

二、Context Engineering 的核心架构

一个成熟的 Context Engineering 系统通常包含以下层次：

┌─────────────────────────────────────────┐
│           System Prompt Layer           │
│  (身份、规则、工具描述、安全约束)          │
├─────────────────────────────────────────┤
│          Dynamic Context Layer          │
│  (用户记忆、技能文档、相关文件)            │
├─────────────────────────────────────────┤
│          Conversation Layer             │
│  (对话历史、工具调用结果)                  │
├─────────────────────────────────────────┤
│          Retrieval Layer (RAG)           │
│  (向量检索、知识库、代码搜索)              │
├─────────────────────────────────────────┤
│          Working Memory Layer            │
│  (当前任务状态、中间结果、TODO列表)        │
└─────────────────────────────────────────┘

每一层都有其生命周期和更新策略。System Prompt 相对静态，而 Working Memory 则在每一步推理后都可能更新。关键在于如何在有限的上下文窗口中，动态地组合这些层的信息。

三、六大核心策略

策略1：上下文预算管理

上下文窗口是有限资源。以 Claude 3.5 Sonnet 的 200K tokens 窗口为例，一个典型的 Agent 交互可能消耗：

Anthropic 的建议是实施分层压缩策略：

# 伪代码：上下文预算管理
def manage_context(conversation, max_tokens=180000):
    # 1. 保留最近 N 轮完整对话
    recent = conversation[-6:]  # 最近3轮交互
    
    # 2. 压缩历史对话为摘要
    older_summary = summarize(conversation[:-6])
    
    # 3. 工具输出只保留关键部分
    tool_outputs = extract_key_findings(conversation)
    
    # 4. 动态注入相关记忆
    relevant_memories = retrieve_relevant(conversation[-1])
    
    return compose_context(
        system_prompt, older_summary, recent, 
        tool_outputs, relevant_memories
    )

策略2：工具输出的选择性注入

这是最容易被忽视但影响最大的策略。当 Agent 调用工具时，返回的结果可能非常庞大。直接将全部输出塞入上下文会导致：

Manus 团队的经验是：在工具层就做好过滤和摘要，而不是让模型从海量原始数据中自行提取。

策略3：分层记忆系统

借鉴人类记忆的工作方式，一个完善的 Agent 记忆系统应该包含：

class AgentMemory:
    def __init__(self):
        self.working = {}
        self.session_store = []
        self.persistent_db = None
    
    def remember(self, fact, importance="medium"):
        if importance == "critical":
            self.working["critical_facts"] = fact
            self.persistent_db.store(fact)
        elif importance == "high":
            self.session_store.append(fact)
    
    def recall(self, query, top_k=5):
        results = []
        results.extend(self._search_working(query))
        results.extend(self._search_session(query))
        results.extend(self._search_persistent(query, top_k))
        return deduplicate_and_rank(results)

策略4：动态技能注入

与其在 System Prompt 中塞入所有可能用到的知识，不如根据当前任务动态加载相关技能：

available_skills = ["python-debugging", "git-workflow", "docker-deploy"]

def select_skills(task_description):
    relevant = []
    for skill in available_skills:
        if is_relevant(skill, task_description):
            relevant.append(load_skill(skill))
    return relevant

context["skills"] = select_skills(user_request)

这种方式的好处是：上下文中只包含当前任务需要的知识，避免了无关信息的干扰。

策略5：结构化输出约束

当 Agent 需要生成结构化数据时，在上下文中提供明确的 Schema 和示例比自然语言描述更有效。

策略6：上下文感知的错误恢复

当 Agent 执行出错时，如何将错误信息有效地注入上下文以指导恢复？关键原则是：

四、Context Engineering 的工程实践

实践1：Token 计数与预算可视化

在生产环境中，你需要实时监控上下文的 token 使用情况。

实践2：上下文缓存与复用

Anthropic 的 Context Caching 功能可以显著降低成本。一个优化的 Agent 应该：

实践3：渐进式信息加载

不要一次性加载所有信息。采用渐进式加载策略：先只加载概览，根据需要深入，只在必要时读取全文。

五、常见陷阱与反模式

陷阱1：上下文过载 — 试图把所有相关信息都塞进上下文，结果模型被信息淹没。记住：更多不等于更好。

陷阱2：忽略工具输出质量 — 花大量精力优化 System Prompt，却放任工具返回未经处理的原始数据。

陷阱3：静态上下文策略 — 用固定的模板组装上下文，不考虑任务的不同阶段。

陷阱4：记忆系统过于简单 — 只用向量数据库存取记忆，没有考虑记忆的衰减、冲突解决和优先级管理。

六、展望：Context Engineering 的未来

随着模型上下文窗口从 128K 扩展到 1M+ tokens，有人可能会问：Context Engineering 还重要吗？答案是更加重要。原因在于：

Context Engineering 正在从一门“手艺”进化为一门“工程学科”。未来，我们可能会看到专门的 Context Management 中间件、标准化的上下文组装框架，以及自动化的上下文优化工具。

结语：如果你正在构建 AI Agent，把注意力从“如何写更好的 Prompt”转移到“如何设计更好的上下文系统”上来。这不仅仅是技术层面的升级，更是思维方式的转变——从“对模型说话”到“为模型构建世界”。