Context Engineering 是什么

Context Engineering 是设计 AI 在执行任务时应该看到什么信息。它关注的不是一句提示词怎么写，而是整个上下文环境如何组织。

Prompt Engineering 问的是：这句话怎么说，模型才会更好地回答？

Context Engineering 问的是：模型在整个任务过程中，应该看到哪些信息、资料、规则、历史和工具状态？

这是 AI 使用方式的一次升级。因为模型能力越强，问题越不在于「咒语」，而在于你给它的世界是否完整、清晰、可用。

和 Prompt Engineering 的区别

Prompt Engineering 关注措辞。

Context Engineering 关注环境。

前者像写一句命令，后者像布置一个工作台。

一个简单例子：你让 AI 写文章。

Prompt Engineering 会研究怎么说：「请用专业但通俗的语气写一篇 2000 字文章」。

Context Engineering 会研究：AI 应该看到哪些旧文章、哪些读者反馈、哪些写作标准、哪些素材、哪些禁忌、哪些输出格式。

显然，后者对复杂任务更重要。

Context 包含什么

Context 不只是用户当前输入。

它包括：

• 当前任务目标。
• 项目背景。
• 历史文件。
• 相关资料。
• 用户偏好。
• 输出格式。
• 约束条件。
• 质量标准。
• 工具返回结果。
• 之前的中间步骤。

这些信息共同决定 AI 的表现。

同一个模型，在不同 Context 下，像是不同能力的系统。

为什么 Context Engineering 重要

大模型越来越强之后，很多失败不是模型不聪明，而是上下文设计失败。

比如：

• 给的信息太少，AI 只能猜。
• 给的信息太多，重点被淹没。
• 资料互相冲突，AI 无法判断优先级。
• 历史对话过长，早期信息失效。
• 输出标准不清楚，AI 不知道什么叫好。

Context Engineering 的目标，就是让 AI 在恰当的时候看到恰当的信息。

Context Rot

Context Rot 可以理解为上下文腐蚀。

对话越长，信息越多，模型越容易丢失早期重点。上下文窗口不是无限记忆。即使窗口足够大，信息密度低、结构混乱，也会让模型表现下降。

所以，Context Engineering 不只是「塞更多资料」。

它更像信息架构：压缩、筛选、分层、引用、更新、归档。

和 RAG 的关系

RAG 是 Context Engineering 的一种技术手段。

它负责在大量资料中检索相关片段，放进上下文。

但 Context Engineering 不等于 RAG。因为上下文不只是资料片段，还包括任务目标、角色、标准、历史状态、工具结果和执行计划。

RAG 解决「找什么资料」。Context Engineering 解决「整个任务该看到什么」。

和 Harness Engineering 的关系

Harness Engineering 比 Context Engineering 更进一步。

Context Engineering 管信息环境。Harness Engineering 管 Agent 能感知和操作的一切：文件系统、工具、日志、浏览器、测试、运行指标、反馈机制。

如果 Context Engineering 是给 AI 准备材料，Harness Engineering 就是给 AI 建一个可工作的世界。

三者的演进可以这样理解：

Prompt Engineering：怎么措辞
Context Engineering：给 AI 看什么
Harness Engineering：让 AI 在什么世界里工作

在个人 AI OS 中的应用

个人 AI OS 的核心，就是 Context Engineering 和 Harness Engineering 的结合。

你的文件夹、笔记、旧文章、Skills、命令、项目说明、输出标准，都是 Context 的一部分。

如果这些东西散落在不同 App 里，AI 很难理解你。

如果它们以 Markdown、目录结构和规则文件的方式组织起来，AI 就能稳定加载和使用。

最小实践

想开始做 Context Engineering，可以先做四件事：

1. 给每个项目写 README。
2. 把输出标准写成文件。
3. 把常用资料整理成 Markdown。
4. 让 AI 每次任务结束后生成中间结果和复盘。

这样做的目标不是让系统复杂，而是让 AI 少猜、多依据。