Prompt 与上下文工程

所属： 模型增强层。本页边界： 不改权重时，怎样设计、结构化和管理 AI Agent 做出决策的整个信息环境。

#核心机制

p_\theta(y\mid x)\longrightarrow p_\theta(y\mid c_{\mathrm{structure}},x)

这不是训练目标，而是条件分布的变化：模型参数保持不变，通过结构化上下文 $c_{\mathrm{structure}}$ 改变当前请求的生成条件。2026 年的关键变化在于， $c_{\mathrm{structure}}$ 不再是“更长的提示词”，而是一个包含指令、技能、记忆、工具结果和外部证据的分层信息环境。

#符号说明

符号	含义
$\theta$	固定不更新的模型参数
$x$	当前用户问题或任务输入
$y$	模型生成的回答
$c_{\mathrm{structure}}$	结构化上下文：规则、技能、记忆、工具结果的统一集合
$c_s,c_{skill},c_{mem},c_{tool}$	系统规则、技能描述、持久记忆、工具结果
$p_\theta(y\mid x)$	原始条件下的回答分布
$p_\theta(y\mid c_{\mathrm{structure}},x)$	结构化上下文后的回答分布
$\mathcal I_{\mathrm{relevance}}$	上下文相关性评分
$B_{\mathrm{context}}$	当前上下文预算（token 数）

Prompt 改变的是当前条件概率，不会把 $c$ 永久写入参数 $\theta$ 。上下文工程进一步要求：进入 $c_{\mathrm{structure}}$ 的每一条信息都应有明确的来源、可信级别和过期策略。

#技术要点

GPT-6 Astra（2026 年 9 月）的官方指南标志着一个范式反转：从“加提示”转向“减提示” 。OpenAI 工程师的第一条建议是“删掉你的提示词”。
技能描述应尽可能短，同时清晰说明“什么情况下使用”。过长的描述和过多的技能会导致 Codex 自动缩短描述，模型反而看不到关键信息。
渐进式披露（Progressive Disclosure） ：技能的根文档应是极简的“路由器”，指向支持性文档和脚本；模型仅在需要时阅读详细内容。
AGENTS.md 需要频繁审视：每条指令都应追问“现在还需要吗”。要求每次编辑前读取整套文档或完整仓库地图，对修一个拼写错误来说是过度的。
上下文工程已从 Prompt 工程的“进阶版”上升为独立学科。其核心问题不是“怎样写更好的提示”，而是“怎样设计 Agent 决策的整个信息环境”。
生产级上下文的质量准则包括五项：相关性、充分性、隔离性、经济性和来源可追溯性。
上下文被定位为 Agent 的操作系统，而非一次性输入。
ACE 框架将上下文视为持续演化的“操作手册” ，通过生成、反思、策展的模块化流程不断积累和精炼策略，而非一次性编写。

#原理与演进

#范式反转：从“加提示”到“减提示”

2023–2025 年的 Prompt 工程默认假设是：模型能力有限，需要大量手把手指导。因此最佳实践是“写得更详细、给更多示例、把所有边界情况都列出来”。

GPT-6 Astra 的官方指南明确推翻了这一假设。OpenAI 的 Codex 开发者体验负责人 Eric Provencher 指出：随着模型能力增强，过去需要大量手把手指导才能完成的任务，现在已经不需要了。具体表现包括：

要求模型在每次编辑前读取文件的指令，被明确标记为“烧上下文并拖慢工作”。
过去需要鼓励模型运行测试和检查工作，现在 Astra 会自行完成。
过于具体的指导（“精心编排的行程表或食谱式的技能”）反而会阻碍结果，模型对细微差别和模糊性的理解能力已经显著提升。

这一反转的底层逻辑是：当模型的基础能力达到一定阈值后，上下文中的冗余指令不再是“安全保障”，而是注意力干扰。每一条不必要的指令都在与真正重要的信息竞争有限的注意力预算。

#从 Prompt 工程到上下文工程的学科跃迁

2025–2026 年的文献表明，Prompt 工程（PE）和上下文工程（CE）的关系已经明确为不同层级，而非同一层级的不同方法。

Prompt 工程关注单个查询的措辞，适用于任务能在一个请求-响应周期内完成的情形。上下文工程关注Agent 做出决策的整个信息环境的设计、结构化和管理，适用于 Agent 规划二十步工作流、委托子任务并在真实世界中执行动作的场景。

LangChain 在 2025 年初发布了上下文工程的项目性定义；Anthropic 将其纳入开发者文档；Google 的 Agent Development Kit 在平台层面操作化了上下文管道。学术工作紧随其后：ACE 框架将上下文形式化为演化中的操作手册。

#上下文质量五准则

生产级上下文的质量由五个维度共同定义：

准则	含义	违反时的典型症状
相关性	上下文中的每条信息都与当前决策有关	模型被无关文档分散注意力
充分性	关键决策所需的信息已经齐备	模型因缺少关键事实而猜测
隔离性	不同来源、不同可信级别的信息边界清晰	外部文本冒充高权限指令
经济性	上下文中没有冗余信息	注意力预算被重复内容消耗
来源可追溯性	每条信息可追溯到其来源和版本	无法定位错误信息的引入点

这五项不是独立的检查清单，而是相互约束的约束系统。提高充分性可能牺牲经济性；强化隔离性可能降低相关性（过度分区使信息碎片化）。上下文工程的核心工作是在这些约束之间做出显式取舍。

#技能设计的渐进式披露

Astra 指南中关于技能设计的原则具有跨模型的方法论意义。

技能描述应短到不能再短，同时清晰说明“什么时候用”。 一个典型的反例是将技能描述写成“处理任何与数据库相关的事情”——这会导致模型在每次触及数据库相关内容时都加载该技能，而非仅在真正需要执行迁移时加载。正确的描述应精确限定触发条件。

渐进式披露是技能设计的核心模式。 读取一个技能会消耗上下文，使模型更接近压缩阈值，并引入可能不适用于当前任务的指导。对于包含多个工作流的技能，根文档应是一个极简的路由器，指向支持性文档和脚本。模型获得足够的指引来知道“去哪里找”，而不被迫阅读当下无关的内容。

技能应服务于多种模型。 仓库中的技能也会指导其他贡献者的 Agent，这些 Agent 可能使用不同的模型。对 Sol 或 Luna 有帮助的指导，可能对 GPT-6 Astra 构成过度约束。

#AGENTS.md 的持续维护

AGENTS.md 在模型于仓库中工作时始终生效，因此每条指令都应频繁审视。“现在还需要吗”是比“这条指令正确吗”更重要的追问。

典型的过度约束模式包括：要求每次编辑前读取整套文档；要求先生成完整仓库地图再开始工作；将“好的实践”写成强制性步骤。这些指令在模型能力较弱的时期可能是必要的护栏，在 Astra 时代则成为上下文税。

#ACE 框架：上下文作为演化中的操作手册

Agentic Context Engineering（ACE）框架将上下文从“一次性编写的静态提示”转变为“持续演化的操作手册”。其核心机制是生成-反思-策展的分工：

Generator 基于当前上下文和任务输入生成候选策略或答案。
Reflector 评估生成结果的质量和适用性，识别哪些策略有效、哪些失败。
Curator 将有效的策略以增量 delta 的形式更新到操作手册中，积累和精炼策略，而非覆盖或重写。

这一框架同时适用于离线场景（如系统提示优化）和在线场景（如测试时的记忆适配）。ACE 的意义在于将上下文工程从“一次性写作”转变为持续学习系统——上下文不是被“写”出来的，而是被“演化”出来的。

#上下文作为 Agent 的操作系统

“上下文是 Agent 的操作系统”这一框架的深层含义是：就像操作系统管理进程、内存和 I/O 一样，上下文工程管理 Agent 的注意力预算、信息生命周期和可信边界。

操作系统类比的具体对应：

操作系统概念	上下文工程对应
进程调度	决定哪些信息在什么时机进入上下文
内存管理	上下文预算的分配与压缩
文件权限	不同来源信息的可信级别与访问控制
设备驱动	工具结果的格式化与注入
日志与审计	上下文的来源追踪与版本记录

#更高层级：意图工程与规范工程

上下文工程本身也在被更高层级的学科所包含。Vishnyakova（2026）提出四层金字塔成熟度模型：

Prompt 工程：单个查询的措辞。
上下文工程：Agent 决策的信息环境。
意图工程（Intent Engineering） ：将组织目标、价值观和权衡层级编码进 Agent 基础设施，确保“上下文良好的 Agent 追求正确的结果”。
规范工程（Specification Engineering） ：创建机器可读的企业政策、质量标准、组织协议和指令语料，使多 Agent 系统能够大规模自主且一致地运行。

每一层包含前一层作为必要基础，而非替代它。这一金字塔结构在 2026 年初被多位独立作者趋同地提出，说明它反映了领域的实际构成。

#上下文工程的实证效果

BARC 对 285 个组织的研究发现，拥有成熟上下文工程项目的组织成为 AI 领导者的可能性是同行的四倍。DataHub 的 2026 年上下文管理报告将上下文定位为 AI 成功的关键要素。

#何时该离开上下文层

问题	上下文工程的边界	更合适的技术
更新知识/需引用	上下文中的证据来自检索，检索质量决定上限	RAG
输出必须机器可解析	自然语言约束概率性	结构化解码
模型普遍不遵守专业格式	每次上下文组织成本高且不稳定	SFT
需要外部计算/执行	上下文无法替代工具权限	工具与 Agent

#原始资料

本页由仓库中的 Markdown 生成。具体技术结论请结合正文引用与实验条件理解。