大多数人认为，从 AI 获得更好结果的秘诀是写出更好的提示词。
他们花数小时打磨完美的句子，加上"扮演资深专家"， thrown in "一步步思考"， tweak 一个词，运行，再 tweak 另一个词，再运行。
结果几乎不变。
提示词工程是语法。上下文工程是基础设施。而基础设施每一次都打败语法。
那些真正构建出有效 AI 系统的人——系统能记住你的偏好、访问你的数据、一致地遵循你的规则、每天产生可靠的输出——不是在写更好的提示词。
他们在工程化更好的上下文。
什么是 Context Engineering？
Context Engineering 是设计、构建和管理 AI 模型在生成响应时可访问的确切信息的实践。它是提示词周围的一切：模型可以读取的文件、从先前会话携带的记忆、可以使用的工具、塑造其行为约束、校准其输出的示例。
一个措辞完美的提示词，放在设计糟糕的上下文中，每次都会产生平庸的结果。
一个基本的提示词，放在完美设计的上下文中，每次都会产生卓越的结果。
这就是大多数人完全错过的转变。
第一周：理解为什么仅靠提示词永远不够
提示词唯一思维的问题
当你向 Claude 输入消息时，模型不仅看到你的消息。它看到上下文窗口中的一切：系统提示词、上传的文档、对话历史、工具定义，以及你的最新消息——所有内容一起处理。
你的提示词是一个食材。上下文是整个厨房。
大多数人痴迷于食材，完全忽略了厨房。他们写了一个漂亮的提示词，粘贴到零上下文的空白对话中。然后他们想知道为什么输出感觉通用。
感觉通用是因为模型没有东西可以个性化。它没有你的工作、你的受众、你的标准、你之前的决定或你的目标的知识。它在盲目工作。而一个盲目的模型默认产生最平均、最通用、最安全的响应。
上下文工程通过给模型眼睛来解决这个问题。
上下文的三个层次
每次 AI 交互都有三个上下文层次，大多数人只使用一个。
第一层：即时上下文
这是你的提示词。你问的问题、你给的指令、你请求的格式。这是 99% 的人停止的地方。
第二层：会话上下文
这是单次对话中模型知道的一切。上传的文件、对话历史、系统指令。大多数人部分使用这个，但没有有意地设计它。
第三层：持久上下文
这是跨会话携带的知识。记忆系统、上下文文件、知识库、保存的偏好。几乎没有人正确地使用这个，而这里是最大的杠杆所在。
本周行动
- 审计你最近的十次 AI 交互，识别你使用了哪些上下文层次
- 阅读 Anthropic 关于系统提示词、上下文窗口和记忆的文档
- 创建你的第一个上下文文档：一个描述你是谁、你做什么、你的受众、你的标准和你的偏好的单一文件
- 用和不用上下文文档测试相同的提示词，比较结果
- 开始一个个人上下文库，为不同类型的工作保存可重用的上下文
第二周：设计你的上下文架构
停止把每个会话当作第一次
AI 辅助工作中最大的生产力泄漏是每次会话都重新解释自己。
每次你打开新对话并输入"我是一个与 B2B SaaS 初创公司合作的营销顾问，我的受众是创始人和 CMO，我用直接对话的语气写作..."，你都在浪费两分钟，并且每次因为措辞略有不同而得到略有不同的结果。
上下文架构永久解决了这个问题。
你构建一次。随时间完善。每个会话开始时，模型已经知道它需要知道的一切。
每个专业人士需要的四个文件
你的身份文件
你是谁、你做什么、你的专业知识、你的背景、你的沟通风格。这是你的 AI 的"入职文档"。
你的受众文件
你为谁创建。他们的人口统计、心理特征、知识水平、痛点、目标，以及他们使用的语言。这确保每个输出都是针对性的，而不是通用的。
你的标准文件
好的样子是什么。你的质量标准、格式偏好、语气指南、反模式、优秀工作和糟糕工作的示例。这是你的质量控制系统。
你的项目文件
你现在正在做什么。当前目标、活跃项目、最近的决定、开放问题、截止日期。这是每周或每月变化的动态层。
在每个会话开始时加载这四个文件，模型就从通用助手转变为已经理解你的世界的上下文感知协作者。
本周行动
- 写所有四个上下文文件：身份、受众、标准、项目
- 保持每个文件在 2,000 字以内，以便轻松放入上下文窗口
- 用三种不同类型的工作测试四文件设置：写作、分析和头脑风暴
- 将输出质量与没有上下文文件的先前会话进行比较
- 根据输出仍然偏离的地方完善每个文件
第三周：掌握动态上下文加载
不是每个任务都需要相同的上下文
将你的整个知识库加载到每个对话中是 Token 的浪费，实际上会降低性能。当上下文窗口被不相关信息淹没时，模型的注意力会被稀释。它试图使用一切，最终什么都无法有效使用。
动态上下文加载意味着给模型提供手头特定任务所需的确切信息。不是你知道的一切。只是现在重要的。
想想人类专家如何工作。外科医生在每次手术前不会复习每本医学教科书。他们复习特定的患者文件、特定的手术笔记和特定的影像结果。他们加载相关的上下文，而不是所有上下文。
你的 AI 系统应该以相同的方式工作。
如何设计上下文加载规则
对于每种重复的工作类型，定义加载哪些上下文文件。
- 写作任务：加载身份文件、受众文件和标准文件，加上该格式中你表现最佳内容的示例
- 分析任务：加载身份文件和项目文件，加上原始数据和同一主题上的任何先前分析
- 研究任务：加载项目文件加上你的研究方法论文档，加上你希望模型继续的任何现有研究
- 战略任务：加载所有四个文件加上你的竞争格局文档和相关行业数据
通过预定义这些加载规则，每个会话都以恰好正确的上下文加载开始。不再猜测。不再超载。不再欠载。
本周行动
- 列出你最常见的五种 AI 辅助工作类型
- 为每种类型定义应该加载哪些上下文文件
- 创建一个简单的文档，将每种工作类型映射到其上下文加载规则
- 测试每种配置，验证输出相比加载所有内容是否改善
- 建立在任何会话开始前有意选择上下文的习惯
第四周：构建跨会话持续的记忆系统
记忆问题不是 Bug，是你没有使用的功能
每次与 Claude 的对话都是全新的开始。模型不记得你昨天、上周或上个月讨论的内容。
大多数人把这当作限制。最聪明的人把它当作设计机会。
当你构建记忆系统时，你控制模型记住什么。你策划上下文。你移除过时的信息。你添加新的学习。你有意地塑造模型的知识库，而不是让它随机积累。
人类员工记住一切，包括他们的坏习惯、过时的假设和错误的解释。具有设计记忆系统的 AI 只记住你想让它记住的，更新以反映你最新的思考。
三种 AI 记忆方法
手动记忆文档
最简单的方法。你维护一个运行文档，捕获关键决定、学习、偏好和项目历史。在每个会话开始时，你将相关部分粘贴到对话中。这对个人和小规模工作有效。
结构化知识库
中级方法。你在文件夹结构中构建一个有组织的 Markdown 文件系统。Obsidian 非常适合这个。你按项目、主题或领域分类信息。当你需要特定上下文时，加载特定文件。Claude Code 可以直接从你的文件系统读取这些文件。
向量数据库和 RAG
高级方法。你将文档嵌入向量数据库，构建一个检索系统，自动找到并加载任何给定查询最相关的上下文。这可以扩展到数千个文档，是生产 AI 系统使用的。
从手动记忆文档开始。当你有超过 20 个上下文文档时，升级到结构化知识库。当你的知识库超过你能手动管理的范围时，迁移到向量数据库。
本周行动
- 创建你的第一个记忆文档：一个运行日志，记录你的 AI 辅助工作中的关键决定、学习和偏好
- 设置一个 Obsidian vault 或按项目和主题组织的简单文件夹结构
- 练习在三个连续会话开始时加载记忆上下文
- 注意当模型可以访问你积累的上下文时，输出质量如何变化
- 建立每周更新记忆文档的习惯
第五周：用 MCP 将上下文连接到工具
没有工具的上下文是没有手的知识
你可以给 AI 模型关于你业务的完美上下文。它可以知道你的受众、你的标准、你的项目和你整个决定历史。
但如果它不能访问你的数据、查询你的数据库、搜索网页、阅读你的邮件或与你的工具交互，它仍然只是一个非常见多识广的文本生成器。
MCP（Model Context Protocol）是给你上下文丰富的 AI 模型能力去行动它所知道的。
当你将深度上下文与 MCP 工具访问结合时，模型从顾问转变为操作者。它不仅知道你的周报应该包含什么。它拉取数据、运行数字、格式化报告，并保存到你的驱动器。
上下文-MCP 集成模式
产生最佳结果的模式是上下文优先，工具第二。
你的系统提示词建立上下文。 模型是谁、它知道什么、它遵循什么标准、它当前的优先级是什么。
你的 MCP 服务器提供能力。 网页搜索、文件访问、数据库查询、API 集成、邮件访问、日历访问。
你的任务提示词将它们结合在一起。 "基于你对我们的 Q2 目标和竞争格局的了解，拉取最新的市场数据，与我们的内部指标进行比较，并制作每周战略简报。"
上下文告诉模型为什么和什么。工具告诉模型如何。任务告诉模型何时和何地。
本周行动
- 识别你的 AI 工作流需要访问哪些外部工具和数据源
- 设置你的第一个 MCP 服务器，从网页搜索或文件访问开始
- 构建一个完整的工作流，结合你的上下文文件和 MCP 工具访问
- 端到端测试工作流，识别上下文和工具需要更好集成的地方
- 记录工作流，以便你可以复制和完善它
第六周：构建生产系统和扩展
从个人生产力到专业基础设施
过去五周构建的一切都是个人上下文工程系统。它让你个人更快、更一致、更有效。
下一级别是为他人构建上下文工程系统。
企业需要理解其特定领域、遵循其特定规则、访问其特定数据、产生匹配其特定标准的输出的 AI 系统。这就是作为产品或服务的上下文工程。
能够走进一家公司，审计其 AI 工作流，设计上下文架构，实现记忆系统，连接 MCP 工具，并交付生产级 AI 系统的人——正是公司目前为每个项目支付 5,000 到 25,000 美元的人。
对这种技能的需求增长快于供应。而且会持续多年，因为上下文工程不是趋势。它是让每个 AI 应用工作更好的基本基础设施层。
本周行动
- 将你的上下文工程系统打包成可重复的框架
- 记录你的四文件上下文架构、加载规则、记忆系统和 MCP 集成
- 为你自己工作之外的真实用例构建一个完整的上下文工程系统
- 公开分享你的框架，开始定位自己是构建 AI 系统的人，而不是写提示词的人
- 识别三家可以从上下文工程中受益的企业，开始对话
改变一切的转变
大多数人会继续写更好的提示词。
他们会继续寻找魔法词汇。他们会继续调整句子。他们会继续获得渐进式改进，同时想知道为什么其他人获得变革性结果。
差异不在提示词。
差异在提示词周围的上下文。
工程化上下文。设计架构。构建记忆。连接工具。结构化信息。塑造环境。
这样做，你写的每个提示词都会产生提示词唯一思考者无法复制的结果，无论他们如何完美地措辞请求。
提示词工程是 2024 年的技能。
上下文工程是 2026 年及以后的技能。