摘要自anthropic：Effective context engineering for AI agents
引言：从单一提示到上下文状态管理
在构建复杂的 AI 智能体（Agent）时，我们关注的焦点已不再仅仅是如何写出“魔法”般的提示词（Prompt）。大型语言模型（LLM）的推理过程是一个多轮、动态的状态管理过程。因此，我们需要从“提示工程”（Prompt Engineering）迈向上下文工程（Context Engineering）。
提示工程侧重于如何编写和组织 LLM 指令以获得最佳结果。而上下文工程，作为提示工程的自然演进，则关注于在 LLM 推理过程中策划和维护最优的代币集合（信息）的整套策略。系统提示（System Prompts）是 Agent 初始、静态上下文的核心组成部分，其编写质量直接决定了 Agent 的初始效用和指导方向。
有效的上下文工程要求我们“在上下文中思考”（thinking in context），即如何利用有限的上下文窗口，找到最小可能集合的高信号代币，最大限度地提高所需结果的可能性。