Appearance
一句话总结：上下文工程（Context Engineering）= 系统性地策展和维护 Agent 每轮推理前看到的全部信息——因为 LLM 的上下文是有限资源（attention budget），信息环境比指令更重要；它是提示工程的自然演进：提示工程管"说什么"，上下文工程管"在什么环境下看哪些信息后再说"。
为什么信息环境 > 指令
- 模型本身足够聪明（"intelligence is not the bottleneck, context is"）
- 它不知道你的团队流程、品牌规范、业务数据——这些只能靠上下文喂进去
- 提示词是静态的一次输入，上下文是动态的持续组装（系统指令+工具+历史+检索+记忆）
两个核心概念（面试必讲）
| 概念 | 含义 | 后果 |
|---|---|---|
| Attention Budget（注意力预算） | Transformer 对 n 个 token 产生 n² 对关系，上下文是有限资源、边际收益递减 | 每加一个 token 都在消耗预算，必须精选 |
| Context Rot（上下文腐烂） | 上下文越长，模型对精确信息提取和长距离关系理解下降 | "大海捞针"在长上下文里普遍变难 |
- 工程目标：找到能最大化目标行为概率的最小高信号 Token 集（像剪辑师剪掉废镜头）
演进：Prompt → RAG → Context Engineering
| 阶段 | 做什么 | 局限 |
|---|---|---|
| Prompt Engineering | 写好指令 | 只管 instructions，不管信息环境 |
| RAG | 检索知识打补丁 | 只是上下文工程的一种手段 |
| Context Engineering | 动态策展完整认知环境 | 2025 年 Anthropic 正式命名 |
- 手段：JIT 检索、压缩、结构化笔记、子 Agent 分工、动态工具暴露
上下文包含什么（Agent 的完整视野）
- 系统指令 / 可用工具定义 / 历史对话 / 工具结果 / 检索知识 / 记忆文件
面试要点
- 能说出 Context Engineering 定义 + 它是 Prompt Engineering 的自然演进（后者管指令、前者管环境）
- 能解释 attention budget 与 context rot 两个概念
- 能说出上下文包含的 6 类内容
- 能举例：同一问题三个时代——塞全文 → RAG 检索 → 动态策展
相关概念
- AI基础概念-上下文压缩与管理策略 — 上下文满了怎么办
- AI基础概念-上下文工程实战与Prompt缓存 — 降本提效的工程纪律
- AI基础概念-RAG检索增强生成 — 上下文工程的一种手段
- [AI-Agent-记忆系统](/学习笔记/AI技术/AI Agent/AI-Agent-记忆系统) — 长期记忆与上下文的关系