“构建 AI 应用的重心，已经从提示词工程转向上下文工程。”
 

就在 Anthropic 推出 Claude Sonnet 4.5 的第二天，其工程团队发布了一篇极具前瞻性的博客：《AI 智能体的高效上下文设计》。这篇博文不仅呼应了 Andrej Karpathy 的观点，也正式宣告了 “上下文工程”（Context Engineering） 正成为构建工业级大模型应用的核心方法论。

本文将带你深入解读这篇博客的核心思想，系统梳理上下文工程与提示词工程的区别、为何它如此重要，以及如何在实践中构建高效的上下文结构。

一、从“提示词工程”到“上下文工程”：一场范式迁移

1.1 什么是“上下文” Context？

在大语言模型（LLM）中，上下文指的是模型在采样生成时所能看到的所有 token，包括：

• 系统提示（System Prompt）
• 用户输入与对话历史
• 工具调用记录
• 外部数据检索结果
• 模型输出及反馈

换句话说：上下文 = LLM 当前状态下能“看到”的全部信息。

1.2 提示词工程 vs 上下文工程

维度	提示词工程（Prompt Engineering）	上下文工程（Context Engineering）
核心目标	编写最优提示以获得理想输出	在整个推理过程中管理最优信息集合
关注点	单次请求的指令设计	多轮交互中的状态持续优化
时间范围	静态、一次性