简介
Anthropic提出Context Engineering比Prompt Engineering更重要，因AI工作记忆有限且存在上下文腐化问题。有效上下文管理需遵循三个原则：系统提示恰到好处、工具设计高效、例子典型精炼。针对长任务，可采用压缩、结构化笔记或多Agent架构技术。未来AI应用开发将向动态管理、按需加载和分布式协作方向发展，即使模型能力提升，将上下文视为稀缺资源的原则不变。
什么是Context Engineering？Anthropic说这比Prompt更重要
Anthropic 的工程团队最近发了篇文章，提出一个新概念：Context Engineering（上下文工程）。
他们的观点很明确：构建 AI 应用的重点，正在从"怎么写提示词"转向"怎么管理上下文"。
什么是上下文工程
Context（上下文）就是发给大模型的所有 token——系统提示、工具描述、历史对话、外部数据等等。
传统的 Prompt Engineering 关注怎么写好提示词。但当 AI Agent 需要连续工作几小时、处理几十万字的信息时，光写好提示词不够了，你需要动态管理整个上下文。
原因很简单：AI 和人类一样，工作记忆是有限的。
研究发现，随着上下文长度增加，模型回忆信息的准确率会下降。这个现象叫"context rot"（上下文腐化）——就像人脑塞入太多信息后，会记不清哪件事更重要。
为什么会腐化
技术原因在于 Transformer 架构：每个 token 都要关注其他所有 token，产生 n² 个配对关系。
举个例子，10 个 token 产生 100 个关系对，1000 个 token 就是 100 万个。token 越多，模型的注意力越分散。
而且模型训练时，短序列比长序列多得多，它对处理超长上下文的"经验不足"。
所以，上下文必须被当作稀缺资源来管理。
有效上下文的三个原则
Anthropic 总结的核心原则是：找到最小的高信号 token 集合，最大化实现目标的可能性。
具体来说：
1. 系统提示要恰到好处
太详细会变成硬编码的 if-else 逻辑，脆弱且难维护。太模糊又给不出有效指导。要找到"金发女孩区间"——既具体到能指导行为，又灵活到能让模型自主判断。
2. 工具设计要高效
每个工具功能明确，不重叠。如果人类工程师都分不清该用哪个工具，AI 更做不到。Anthropic 说，"模糊的工具集"是他们看到的最常见失败模式。
3. 例子要典型而精炼
不要试图覆盖所有边界情况，而是提供几个多样化的典型例子。对 AI 来说，例子就是"一图胜千言"的画面。
从"预加载"到"即时检索"
传统做法是预先把所有相关数据塞进上下文。现在的趋势是"just in time"策略——保存轻量级的索引（文件路径、查询语句、网页链接），需要时才动态加载。
Claude Code 就是这么做的：分析大型数据库时，它不会加载完整数据，而是写针对性的查询，用head和tail命令分析结果。
这像人类的认知方式——我们不会记住所有信息，而是建立索引系统（文件夹、书签、收件箱），需要时再检索。
更妙的是，这些索引本身也提供信号。对于 AI，一个叫test_utils.py的文件在tests文件夹里，跟在src/core_logic里，含义完全不同。文件夹层级、命名规范、时间戳，都是重要的提示。
长任务的三种技术
对于跨越几小时的复杂任务，Anthropic 开发了三种技术：
1. 压缩（Compaction）
当对话接近上下文限制时，总结内容，用摘要开启新对话。
Claude Code 会保留架构决策、未解决的 bug、实现细节，丢弃冗余的工具输出。用户感觉不到中断，任务继续进行。
最简单的压缩是"清除工具结果"——一个工具调用完成后，为什么还要保留原始输出？
2. 结构化笔记
让 Agent 定期写笔记，保存在上下文窗口之外，需要时再读取。
Anthropic 举了个有趣的例子：让 Claude 玩《宝可梦》游戏。
AI 会自动记录："过去 1,234 步，我一直在 1 号道路训练宝可梦，皮卡丘已经升了 8 级，目标是 10 级。"它还会画探索过的地图、记录解锁的成就、总结哪些攻击对不同对手最有效。
即使上下文重置，AI 读取笔记就能继续多小时的训练或探索任务。没有任何提示词告诉它该记什么，它自己学会了做笔记。
3. 多 Agent 架构
主 Agent 负责高层规划，子 Agent 处理具体任务。
每个子 Agent 可能用几万个 token 深度探索，但只返回 1,000-2,000 字的摘要给主 Agent。这样主 Agent 保持清晰的全局视野，子 Agent 负责深入细节。
Anthropic 的研究系统就是这样构建的，在复杂研究任务上表现明显好于单 Agent 系统。
选择哪种技术？
Anthropic 给出了建议：
- 需要大量对话往复的任务 → 用压缩
- 有清晰里程碑的迭代开发 → 用笔记
- 需要并行探索的复杂研究 → 用多 Agent
核心启示
这篇文章透露的趋势很明显：
- 从静态到动态：不再是一次性准备好所有信息，而是动态管理信息流
- 从全量到按需：不是把所有数据都塞进去，而是按需加载
- 从单体到分布：复杂任务用多 Agent 协作，而不是一个 Agent 硬撑
最有价值的观点是：“即使模型能力不断提升，把上下文当作宝贵的有限资源来管理，仍然是构建可靠 Agent 的核心。”
这就像编程中的内存管理——无论硬件多强大，优化内存使用永远重要。
唯一的区别是，随着模型变聪明，它们需要的"人工管理"会越来越少，自主性会越来越强。但把上下文当作稀缺资源这个原则，不会改变。
如何学习AI大模型？
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
100套AI大模型商业化落地方案
大模型全套视频教程
200本大模型PDF书籍
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
LLM面试题合集
大模型产品经理资源合集
大模型项目实战合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
