Prompt工程 vs Context工程？128位AI开发者真实观点大碰撞_服务软件

1. Context Engineering（上下文工程）

2. Context Engineering到底是什么？

3. 如何区分 Context Engineering 与 Prompt Engineering

4. Dynamics of Context Engineering and Prompt Engineering in AI

5. 【AI 术语解码局】上下文工程

6. 2026年，AI Agent 的胜负手不在 Prompt，而在“上下文工程”

7. 上下文工程，看这篇就够了

8. 【干货收藏】上下文工程详解

9. 大模型落地核心疑问

10. Prompt工程进阶的几个知识点

11. prompt工程

12. 提示词（PROMPT）工程

13. 收藏级干货

14. 写代码还是写提示词？——Prompt 工程是不是程序员的新技能树

15. 2026年Prompt工程入门

16. Prompt 与 Prompt 工程

17. AI编程深度实战

18. 别卷Prompt了！Agent Skills 正让99%的AI开发标准化

19. “提示词工程”已死？深度解析智能体来了（西南总部）

20. 复杂的 Prompt 会拖垮AI？顶级工程师的极简Agent心法

21. 2026 年的人类还需要 “Prompt 工程师” 吗？

22. 【522】理论系列 - Prompt 工程

23. [Alan の手札] Prompt 写死在代码里，是很多 AI 项目崩盘的开始

24. Prompt as Code

25. 大熊掌门-ClaudeCode第7课

26. 前端面试在使用这些 AI 工具时，你会不会刻意去设计“优质 Prompt”？

27. Anthropic眼中的Context Engineering

28. Context Engineering 与个人 AI Infra 的上下文资产

29. Anthropic 官方解读

30. 大模型落地，已经走到了用上下文工程续命时刻

31. 上下文工程

32. 上下文工程六大核心组件

33. 90% 代码由 AI 产出，我如何构建可靠上下文体系

34. 为什么Context Engineering比Prompt Engineering更重要？大模型开发者的必学技能！

35. Anthropic新报告

36. 聊聊 Context Engineering

37. 上下文工程

38. 从提示词工程到上下文工程

39. Context Engineering 2.0 的本质是“熵减”

40. context engineering 上下文工程

41. AI Agent工程技巧汇总 - Context篇

42. 生态的下一章节

43. AI Infra

44. 告别传统微调！Context Engineering打造强大AI Agent！

45. Manus 团队在构建通用 Agent 过程中的经验总结

46. 上下文工程，超越提示词

47. Context Engineering = 注意力管理

48. For LLM的上下文工程 (Context Engineering) 实战框架

49. 🇸🇬 Context Engineering让agent更聪明

50. Context Engineering

51. Context Engineering，看这一篇就够了。

52. 拒绝重复调教！Claude多窗口协作终极方案

53. 2026 年 “Harness Engineering” 这个词要火。“Harness” 这个词，字面意思是“马具”，就是套在马身上、让人能控制马匹方向和力量的那套装备。用在 AI 编程的语境里，它的比喻再贴切不过：AI Agent 就像一匹动力十足但不太守规矩的马，而 Harness 就是那套让它既能跑得快、又不会跑偏的缰绳和马鞍。过去三年，三个阶段：1. Prompt Engineering（2023-2024）：关注“怎么跟 AI 说话”精心设计一段提示词，希望模型给出理想输出。Prompt Engineering 是优化一次性的输入-输出对。局限很明显：一条消息能塞的信息有限，任务一复杂就失控。2. Context Engineering（2025）：关注“给 AI 看什么信息”不再只盯措辞，而是设计整个信息环境：系统提示、对话历史、记忆、RAG 检索结果、工具调用输出。3. Harness Engineering（2026）：关注“构建什么环境让 AI 工作，这个环境如何保证它的产出是可靠的”比 Context Engineering 更进一步，不仅管理输入给模型的信息，还包括模型之外的整个执行环境。现在问题是，“Harness Engineering”中文怎么说？

54. 看完 Manus、Cursor 分享后的最大收获：避免 Context 的过度工程化才是关键

55. 中国的AI模型在海外又火了，全球用户迎来更多选择#亚马逊云科技 #AmazonBedrock #生成式AI #出海 #全球化

56. 提示词工程、上下文工程都过时了，现在是 Harness Engineering 的时代

57. 这个《Context Engineering》还挺全面的，讲述了如何构建完整智能系统的综合指南。包括如何通过AI Agent、RAG、记忆系统和工具集成等核心技术，来解决LLM与外部数据、历史和现实世界相隔离的根本问题。其核心观点是，打造卓越AI应用的关键，在于系统性地设计和管理模型获取信息的方式，可以让你对AI系统有个全貌，从一个简单的“提示者”转变为一个智能系统的“架构师”。 #ai创造营##程序员#

58. 图解 AI 智能体的上下文工程

59. 电子书 The Context Engineering Guide网页链接weaviate出的电子书：光有一个强大的大型语言模型（LLM）是不够的。即使是最智能的模型也难免产生“幻觉”，缺乏现实世界的知识，甚至无法记住上一轮的对话。解决方案不在于编写更好的提示词，而在于构建一个更好的系统。本电子书将指引你掌握上下文工程（Context Engineering）：即在推理阶段，通过筛选、组织和管理输入给大模型的信息（即“上下文”Token），从而优化模型性能与行为的过程。你将学习到必要的架构模式，助你摆脱简单的演示（Demo）阶段，构建出可靠且可投入生产（Production-ready）的 AI 应用——使其能够基于现实世界的上下文进行思考，而不仅仅局限于原本的训练数据。《上下文工程指南》涵盖以下内容：如何架构智能体，使其充当系统的决策大脑。如何应用查询增强，将杂乱的用户请求转化为精准、可执行的意图。高效检索的原则，确保在正确的时机将模型连接到正确的外部信息。如何设计记忆架构，赋予系统历史感和学习能力。集成工具的策略，赋予应用“双手”，使其能够与实时数据和 API 进行交互。#科技先锋官#

60. Bash Is All Agent Need：Anthropic 重新定义智能体开发

61. 如何评价全新发布的两款联想 AI 平板-拯救者 Y700 五代与小新 Pro 13？有哪些亮点突破？

62. Ptc本身不是贵价配件，捋清的是个道理：1.发布会表述的零下35度使用，是不是需要ptc支持?2.该模块是选装，还是标配？3.证据在哪里？不然一样的价，先买的人反而少功能，确实很难理解#名爵 #名爵MG4

63. 盘点一周AI大事(3月15日)｜首次上传大脑成功工程师开源龙虾办公室Claw3D 龙虾彻底出圈，，百虾大战正式开打工程师开源一键装龙虾AlphaClaw 斯坦福开源科学家龙虾LabClaw 工程师Karpathy 开源龙虾版GitHub AgentHub Chrome上线龙虾Web协议 WebMCP 工程师开源龙虾软件协议CLI-Anything 吴恩达开源龙虾上下文工具Context Hub 研究员开源最强动漫图像模型Anima-v2 研究员开源最强视频分割模型MatAnyone 2 科学家成功上传了一只果蝇的大脑 #AI新星计划 #AI #AIGC #龙虾 #openclaw

64. 在 AI Agent 的开发中，交互设计（壳）和底层模型能力哪个更重要？未来哪一方会成为竞争核心？

65. 想深度了解Claude Agent Skills，看这篇就行了AI Agent和工具（Tools）的热潮席卷了整个技术圈，几乎成了大模型应用的标配。然而，当我们深入剖析Anthropic Claude的Agent Skills实现时，却发现了一条与众不同的技术路径。它并非我们熟知的函数调用或插件执行。1. Skills 不是代码，而是高级“提示词模板”当我们谈论给AI增加“技能”时，脑海中浮现的通常是可执行的Python函数或API端点。Claude 的Skills与传统的函数调用或插件有着本质区别，它们不直接运行任何Python或JavaScript代码。Skills的真正作用是“提示词扩展（prompt expansion）”和“上下文修改（context modification）”。当一个skill被调用时，它实际上是向当前的对话历史中，动态注入了一段为特定任务量身定制的、极其详细的指令。这些指令会彻底引导Claude后续的思考方式和行为路径，就像给一个通用型专家临时“灌输”了某个领域的专业知识。它将AI能力的扩展与执行代码所带来的安全风险和复杂性完全分离开来，实现了前所未有的灵活性和安全性。Skills are not executable code. They do NOT run Python or JavaScript, and there’s no HTTP server or function calling happening behind the scenes. ... Skills are specialized prompt templates that inject domain-specific instructions into the conversation context.2. 没有算法路由，全凭大模型“自己决定”用哪个技能Claude选择使用哪个skill的决策过程也比较有特色。传统思路可能会涉及复杂的路由系统，比如基于关键词匹配、正则表达式、向量相似度搜索，甚至是专门的意图分类模型。Claude Agent Skills 将所有可用技能的名称和描述打包成一段文本，然后将这段文本作为名为Skill的“元工具（meta-tool）”的描述信息。当用户提出请求时，Claude就凭借其原生的、强大的语言理解能力，在一次完整的前向传播（forward pass）中，直接判断用户的提示词与哪个技能的描述最为匹配。这种设计体现了对大模型核心推理能力的极致信任，是一种“第一性原理”的体现。它没有在应用层添加任何复杂的工程逻辑，而是把决策权完全交还给了大模型本身。There is no algorithmic skill selection or AI-powered intent detection at the code level. The decision-making happens entirely within Claude’s reasoning process based on the skill descriptions provided. ... This is pure LLM reasoning.3. 独特的架构：技能信息不在System Prompt里，而在“工具”里许多AI系统（如ChatGPT）习惯于将可用的工具信息一股脑儿地塞进系统提示词（System Prompt）中。这种做法虽然直接，但当工具数量庞大时，会导致系统提示词变得异常臃肿和低效。Claude另辟蹊径。它的Agent Skills信息并不存储在系统提示词里。相反，所有的技能都被封装在一个名为Skill的“元工具”中。这个Skill元工具与其他标准工具（如Read, Bash）一起，并列存在于每次API请求的tools数组里。所有可用技能的列表，动态地构成了这个Skill元工具的描述部分。这种架构的优势显而易见：它极大地解放了系统提示词，让技能的管理变得更加模块化和动态化，可以根据会话需求灵活地加载或卸载，而不会污染全局的系统设定。4. 优雅的实现：一条消息给人看，一条“隐藏”消息给AI看一个优秀Agent系统的设计，必须在“用户透明度”和“界面简洁性”之间找到平衡。如果系统调用skill的过程完全隐藏，用户会感到困惑；如果把几千词的内部指令全部展示在聊天窗口，用户界面则会变得混乱不堪。Claude通过一个名为isMeta的布尔标志，巧妙地解决了这个矛盾。当一个skill被激活时，系统会向对话历史中注入两条消息：1）第一条消息 (isMeta: false): 这是一条简短的元数据信息，比如“‘pdf’ skill正在加载”。这条消息在用户界面中是可见的，清晰地告知用户系统正在做什么。2）第二条消息 (isMeta: true): 这条消息包含了完整的、可能长达数千词的SKILL.md指令内容。它在用户界面中是不可见的，但会完整地发送给API，作为Claude执行任务的详细行动指南。这种“双通道通信”机制既保证了用户对系统行为的知情权，又避免了海量的内部指令污染聊天界面，实现了极致优雅的用户体验。5. 终极心智模型：技能的本质是“上下文修改器”，而非“动作执行器”我们可以提炼出一个关于Claude Agent Skills的终极心智模型。如果说传统的工具是“动作执行器”（Action Executor）——执行一个动作，返回一个结果；那么Claude的技能则是“上下文修改器”（Context Modifier）。它的核心作用是修改两个层面的上下文：首先，它通过注入详细指令来修改对话上下文（conversation context），从而改变Claude的思考模式和工作流程；其次，它通过变更工具权限和模型选择来修改执行上下文（execution context），从而改变Claude在特定任务中被允许使用的能力。理解这个根本性的区别是掌握Claude Agent Skills的关键。Skills并不是直接去解决问题，而是通过“赋能”和“引导”的方式，让Claude本身变成一个能够更好地解决特定领域问题的专家。By treating specialized knowledge as prompts that modify conversation context and permissions that modify execution context rather than code that executes, Claude Code achieves flexibility, safety, and composability that would be difficult with traditional function calling.总之，Claude Agent Skills的设计哲学，为我们展示了一种与传统函数调用截然不同的AI能力扩展范式。它通过一种基于提示词的、精巧的上下文修改机制，实现了极高的灵活性、安全性和组合性，将大模型自身的推理能力推向了核心。#ai创造营# #程序员#

66. 这是个好问题：> 随着基础模型继续进化，Skills 是否会逐渐被更强的自主规划取代？作为创业者现在去布局 Skills，究竟是短期红利还是长期壁垒？我的看法是：Skills 是短期红利，也是长期壁垒——但壁垒不在 Skills 本身。让我用 AI 发展的三个阶段来解释这个判断。第一阶段：AI Chatbot + Prompt回归第一性原理：AI 也好，Agent 也好，能解决问题才有价值。最早的 AI Chatbot 加上好的 Prompt，已经能解决很多「生成类」问题——回答问题、情感陪伴、翻译、写作、摘要。那时候 Prompt 就是短期红利。你会写出好的 Prompt，就能得到好的结果。我那时候花了大量时间研究 Prompt 工程，确实吃到了红利——很多网友就是那时候认识我的。但要说长期壁垒？没有。现在让 AI 辅助写 Prompt 已经不是什么难事了。不过，AI Chatbot + Prompt 只能解决生成问题，不能使用工具，不能与外部世界交互。第二阶段：AI Agent + 上下文工程然后是 AI Agent 的出现。Agent 能规划、能调用工具，解决了「与环境交互」和「完成特定目标」的问题。这时候上下文工程（Context Engineering）就是短期红利。你知道怎么组织 Agent 需要的上下文，怎么在有限的上下文窗口里塞进足够的信息，那就是核心竞争力。但同样没有长期壁垒。很快模型越来越强，上下文窗口越来越大，上下文工程的最佳实践也逐渐系统化——比如借助文件系统压缩上下文、利用渐进式披露（Progressive Disclosure）解决工具描述占用太多 token 的问题。这些方法现在大家都知道了。第三阶段：Agent + Skills现在是 Agent + Skills 的阶段。Skills 解决的问题是：把特定工作流、特定领域的能力打包成可复用的「技能包」，让 Agent 之上可以长出丰富的应用生态。那些日常工作中琐碎但重复的任务，借助 Skill 的 Prompt 能力和工具能力，可以被高度自动化，带来巨大的效率提升。投资 Skills 是短期红利。 Skills 作为一种具体形式，可能会被更强的模型能力取代——也许未来模型足够强，不再需要人类预先打包好的「技能包」，它自己就能规划出最优路径。但问题来了：谁最能抓住这波短期红利？不是吹 Skills 的自媒体，而是真正懂 Prompt、懂上下文工程的人和团队。他们能借助之前积累的经验，快速做出真正解决问题的 Skills。投资的是能力，不是形式Skills 本身不会成为长期壁垒，但你在 Skills 上投入的学习和实践，会成为你的长期壁垒。这就像当年投资 Prompt 工程的人，后来更容易理解上下文工程；投资上下文工程的人，现在更容易做出好的 Skills。每一波技术浪潮的「短期红利」，都是下一波浪潮的入场券。所以我的建议是：不要纠结 Skills 会不会被取代，而是问自己：通过做 Skills，我能去解决什么问题？积累什么能力？这些能力在下一波浪潮里还有没有用？如果答案是肯定的，那就值得投入。

67. 大模型Agent的核心还是prompt？

68. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

69. 怎么成为一个 ai agent 工程师？

70. 大模型只是能力，必须要跟场景结合。 #大咖观察 #红衣聊AI #大模型

71. 既然AI Coding有了IDE，为什么还要有CLI？

72. Anthropic的Agent上下文工程官方指南来了！

73. Anthropic：高效构建 AI 智能体的上下文工程

74. 智能体上下文工程：为什么文件系统成了AI记忆的最佳载体？

75. 你觉得现在的 ai（例如 cursor）可以替代程序员吗？

76. 在这个充满不确定性的AI时代，你会选择被动等待还是主动出击？ #大咖观察 #红衣聊AI #AI时代 #人工智能

77. 企业级AI Coding的落地方法，都在这本实战手册里了｜甲子光年

78. 当AI开始“在意”你，它就不止是一个工具。 #大咖观察 #红衣聊AI #AI工具 #人工智能

79. ChatGPT给了我几个很有帮助的prompt，分享给你们。盲点扫描（Blind Spot Scan）Prompt：“从我的提问方式与选择模式里，你观察到哪些可能的行为盲点？请用直指核心的方式告诉我。停滞突破（Breaking Stagnation）Prompt：“我在（领域）感觉卡住了，请你分析：①我可能在哪个阶段卡住；②是什么阻力；③最小成本突破路径。”决策 clarity（Decision Coach Prompt）Prompt：“在（决定）上，请当我的 clarity 教练：帮我分析我的真实动机、风险、情绪噪音与长期方向。”我很喜欢最后这个。如果你对某件事犹豫不决，GPT有和你长时间的对话记录，Decision Coach Prompt能给出很好的分析与方向。#人工智能#

80. 刚刚看到瑞虎9燃油智驾新车型官图惊艳亮相了，外观造型果然十分硬朗霸气，直瀑式中网搭配狭长大灯，极具辨识度——造型果然很旗舰！嗯，奇瑞坚持“油电同智”，据说其猎鹰智驾采用统一技术底座+差异化适配设计，让瑞虎9能享受到与新能源车型同等的高阶辅助驾驶功能。等它正式发布后，我打算找机会去试驾一下它！#油电同智真的来了##油车智驾辅助显眼包#

81. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

82. 在线开发智能代理系统遇到上下文管理难题？推荐看看 muratcankoylan 的开源项目「Agent Skills for Context Engineering」，这是一个面向生产级 AI 代理系统的全面技能库。它提供了完整的上下文工程方案，涵盖基础理解、架构设计、多代理协作、工具开发、评估优化等多维度技能，帮助你科学管理语言模型的上下文窗，实现最高效的上下文利用和智能决策。主要亮点：- 深入讲解上下文衰减、压缩和优化，避免模型“迷失中间”；- 支持多代理架构设计，含监督者模式、图谱记忆、沙盒环境等；- 提供完善的评估框架，支持LLM作为裁判进行性能对比和偏差缓解；- 包含项目开发全流程指导，从概念设计到流水线部署；- 独家认知架构技能，形式化建模代理心智状态，实现理性推理与解释；- 跨平台、通用原则，适配Claude Code、Cursor等主流代理平台。GitHub：github.com/muratcankoylan/Agent-Skills-for-Context-Engineering无论你是搭建单一代理还是多智能体系统，这套技能库都能助你构建、优化和调试高效智能体，推荐 AI 开发者和研究者深入学习！#AI创造营##人工智能#

83. AI革命的红利期不会永远存在，现在入场还不算晚。 #大咖观察 #红衣聊AI #人工智能 #科技 #app开发

84. 全球开发者集结上海：比起炫技，他们更想捅破那层“落地窗户纸”｜甲子光年

85. 第三天《Context Engineering: Sessions & Memory》，一个Agent做得好，80%看上下文管理！这个pdf有72页，系统讲述了如何让LLM在交互中形成“状态”“个性”与“持续学习“，想做好AI Agent的别忘记深读一下这个文档。划线点：1. 上下文工程的核心理念传统的 Prompt Engineering 只关注如何写出一个最优提示，而 Context Engineering 则是更高维度的概念。它要求开发者在每次模型调用前，动态地拼装完整的上下文——包括系统指令、工具定义、few-shot 示例、外部检索内容、长期记忆以及当前对话历史。白皮书中有个比喻：如果 Prompt 是食谱，那么 Context Engineering 就是备料，决定了模型能否稳定地产出理想结果。2. Session vs. Memory Session 是一场对话的“工作台”，保存着事件日志和临时状态；Memory 是长期的“档案柜”，从这些对话中提炼出可复用的知识。 Session 负责连贯性，Memory 负责持续性。3. 多智能体系统中的会话共享多个 Agent 协作时，Session 的设计变得更复杂。不同框架（如 ADK、LangGraph）内部的数据结构差异较大，直接共享会导致互操作问题。文档提出用框架无关的 Memory 层作为共享语义中枢，各 Agent 通过抽象化的记忆数据交换信息，从而实现真正的跨框架协作。4. 长上下文的管理与压缩模型上下文窗口有限，随着会话增长，成本、延迟和注意力衰减都会出现。有三种压缩策略：（1）保留最近 N 轮（滑动窗口）；（2）基于 token 数截断；（3）递归摘要，用 LLM 生成对旧内容的总结。这些方法共同目标是保留必要、舍弃冗余，让模型始终聚焦关键信息。5. 记忆系统的设计与生命周期记忆并非简单存储，而是一套动态的 LLM 驱动工作流，涵盖提取、整合、存储、检索与遗忘（有点像一个ETL系统）。提取阶段从原始对话中识别有意义的信息；整合阶段解决重复与冲突；存储可采用向量数据库、知识图谱或混合架构；检索阶段结合语义相似度、时间衰减与重要度评分挑选最合适的记忆。文档还提出“遗忘”机制——旧记忆会随时间或置信度衰减被归档或删除，以保持知识库的健康。划重点：真正的智能不在于保存全部信息，而在于知道何时、为何、记什么、忘什么。一个理想的 Memory 系统，像人脑的海马体，既能在短期保持上下文，又能在长期过滤、压缩、抽象出模式。 AI Agent的设计应该把动态遗忘作为标准功能来设计，而非可有可无的能力。6. 触发策略与 Memory-as-a-Tool 模式记忆生成可在会话结束、固定回合、实时、或用户显式命令下触发。频繁触发可保留更多细节，但计算成本高；批量触发更经济，却易失真。白皮书提出 Memory-as-a-Tool 模式：让 Agent 自行判断何时、为何生成记忆，将“记忆何时发生”的控制权交给模型逻辑本身（划重点！）。7. 信任、来源与隐私文档专门讨论了 Memory 的来源溯源（Provenance）：每条记忆应携带来源类型、时间戳、置信度与可信层级。系统需依据来源权重解决冲突，并对个人敏感信息在写入前脱敏，确保隔离与合规。8. RAG 与 Memory 的对比 RAG 让模型更懂世界， Memory 让模型更懂你。前者检索外部事实，后者积累用户语境。Agent 需要二者结合，既具世界知识，又具个人连续性。#ai创造营# #程序员#

86. 靠AI赚钱的讨论依旧持续想多一份收入，AI也许是个不错的选择。#大咖观察 #红衣聊AI #赚钱思维

87. 如何看Anthropic最新发布的Claude Skills？会替代MCP吗？

88. 「Github一周热点101期」IT咖啡馆的开源项目，cowork的开源替代大批出现

89. 企业级 AI 的未来，不在于将 AI 塞进现有的记录系统（Systems of Record），而在于捕捉那些从未被系统性存储过的“决策痕迹”。Foundation Capital 最近发布的《Context Graphs: AI's Trillion-Dollar Opportunity》深刻指出：下一个万亿级平台将由“上下文图谱”（Context Graphs）驱动。以下是对这一趋势的深度思考与启发：决策痕迹：被遗忘的资产目前的 CRM 或 ERP 只能记录结果（如：给予 20% 折扣），却丢失了过程：为什么打破 10% 的限制？参考了哪个先例？谁授权了例外？这些连接数据与行动的“推理过程”，才是企业最核心的知识。上下文的两层架构要实现决策图谱，必须先解决两个层面的上下文问题：1. 业务运营上下文（Operational Context）这是地基。AI Agent 必须先理解：Sarah Chen 是谁？她和这个 Slack 频道、那份会议纪要是什么关系？谁拥有这个客户账号？如果 Agent 连“实体”的一致性和“所有权”的关系都搞不清楚，就无法进行有意义的推理。2. 决策上下文（Decision Context）在地基之上，记录决策的每一个输入、评估的政策版本、调用的例外条款。这让“先例”变得可检索，让 AI 的行为具备可审计性。为什么 RAG 和 AI Memory 还不够？目前的 RAG 只是在检索文本块，而不是理解组织逻辑。它能找到包含关键词的文档，但不懂实体间的演进关系。组织知识不是一堆文档，而是一个随时间演变的复杂图谱：人连接到项目，项目连接到决策，决策连接到结果。思考：- 规则告诉 Agent 一般情况下该做什么，而决策痕迹记录了在特定情况下发生了什么。- 组织知识不是文档的堆砌，而是人、实体与决策交织而成的动态图谱。- 缺乏运营上下文的 Agent 是“上下文盲”，它们能检索文字，却读不懂现实。AI Agent 正在撞墙，而这堵墙仅靠治理是无法逾越的。它们需要理解组织的现实，并从过去的决策中学习。x.com/KirkMarple/status/2003944353342149021

90. 一文看懂上下文工程（Context Engineering）

91. 从prompt到context到harness engineering, 乃至protocol Engineering

92. 从 Prompt Engineering 到 Context Engineering：2025 年 AI 开发范式的深刻变革

93. 什么是Context Engineering？Anthropic说这比Prompt更重要

94. 上下文工程（Context Engineering）

95. 上下文工程：大模型时代的软件工程

96. 别再堆Prompt了，真正的高手都在做“上下文工程”

97. 大模型应用开发系列教程：第五章从 Prompt 到 Prompt 模板与工程治理

98. AI智能体的上下文工程：Anthropic构建高效AI智能体的关键策略

99. 必学收藏！为什么Context Engineering是2025年最被低估的AI技能？程序员和小白都该掌握的三个颠覆真相

100. 「上下文工程」实战指南：Anthropic 团队是如何给 AI Agent 管理上下文的？

101. 从提示工程到上下文工程：从软件架构的角度思考2

102. 从 Prompt 到 Context：AI Agent 时代，上下文工程才是核心方法论

103. 从提示词(Prompt)到上下文(Context)工程

104. Manus 的上下文工程

105. 【AI产品经理】最近很火的Skills工程与Prompt工程、上下文工程的理解

106. 大模型面试：Context Engineering 是什么？｜频次：★★

107. 有效的 Context 工程（精读、万字梳理）｜见知录 004

108. AI Infra：纠缠不清的 Context、RAG、Memory

109. 🧠 LifeContext：当AI拥有你的人生记忆———从”Prompt记录"到"人生上下文"的记忆革命

110. 从Prompt到Context的演进—Anthropic《AI Agent的高效上下文工程》①

111. AI Agent 上下文 Context 管理｜Memory、Session｜工程架构

112. 💥上下文工程，看这篇就够了

113. 13. Agent 上下文工程（Context Engineering）：概念、拆分与维护

114. 模型上下文是新型“稀缺资源”：我们如何设计分层缓存与摘要策略，将有效容量提升 5 倍

115. Prompt工程能否代替模型训练？

116. 一文速通 6 大 Context Engineering 技巧

117. 一张图理解Prompt Engineering提示工程

118. OpenAI 官方发布的 AI Agent 上下文工程相关经典文章清单，学习 AGENT 必读

119. AI Infra：LifeContext，个人用户长期上下文系统

120. Context太长难消化？不妨切成片

121. Context Engineering 2.0语境：AI为何需要更好的记忆

122. LLM Context、Prompt、RAG、MCP、Skills、Plugin：一文理清关系

123. 智能体工程的隐性债务：那些未被严肃对待的Prompt变更

124. 为什么一个 Prompt，永远做不出真正的 AI 应用？

125. 爆火的“上下文工程”（Context Engineering）是个啥？

126. AI-Agents 中的上下文工程（Context-Engineering）

127. langchain对上下文工程的总结

128. 什么是上下文工程（Context Engineering）

129. 一次失败的Prompt迁移，换来的三个工程血泪教训

130. Context Engineering（上下文工程）— AI Agent 背后的关键技术

131. 如何设计AI产品的prompt工程策略？

132. 提示工程（Prompt）

133. Agentic Context Engineering：让大模型“自进化”其策略与知识上下文。

134. Cursor Dynamic Context Discovery：AI编程工具的46.9%效率革命，独立开发者的成本福音

135. 法律/金融场景下的混合上下文策略（Hybrid Context Strategy）

136. 企业级Context详解：AI成功的关键因素

137. 大模型上下文工程5大策略

138. LifeContext：当AI拥有你的人生记忆 - 哔哩哔哩

139. 人类与机器之间的认知鸿沟：上下文工程2.0发展和思想梳理

140. Context Engineering 2.0上下文工程综述

141. 【每日一问】你如何看待「Prompt工程」在产品中的价值？

142. 企业级Context揭秘：AI进化的关键

143. 提升大模型智能体性能的核心技术——上下文工程（Context Engineering）

144. 「GitHub开源」上下文工程实践教程这个项目是一个围绕“上下文工程”（Context Engineering）的GitHub仓库，以Prompt为核心，提供模板、指南和示例，帮助用户通过构建包含文档、规则、示例等的完整上下文系统，让AI代码助手更高效地完成端到端开发任务，其策略也适用于其他AI代码助手。 Prompt-Engineering是Context-Engineering的子集 #上下文工程 #prompt #github

145. Context Engineering：当 Prompt 不再是魔法，而是内存管理

146. Prompt工程的理论基础：从In-Context Learning到涌现能力

147. Prompt 成本优化的边界：何时该写长，何时该写短

148. Aworld Context Engineering Practical发布

149. 上下文工程（ContextEngineering）基础

150. 这10个模板，零基础也能写出顶级Prompt

151. Reddit上有个博主花了 1000 个小时研究 prompt 技巧，总结出 6 个方法

152. Claude API Docs: Prompt Engineering Guide

153. Prompt工程翻车：明确指令反而让AI变蠢了70%

Prompt工程 vs Context工程？128位AI开发者真实观点大碰撞

精选参考来源