提示工程（Prompt Engineering）与上下文工程（Context Engineering）是LLM应用的两个核心层级：前者优化窗口内的指令与格式，后者系统性管理窗口的信息供给与状态闭环；前者是后者的子模块，二者协同才能兼顾单次精准与规模化稳定。
核心对比（表格）
| 维度 | Prompt Engineering | Context Engineering |
|---|---|---|
| 目标 | 提升单次指令的一致性与质量 | 构建动态、可扩展的认知环境，支撑多轮/复杂任务 |
| 范围 | 角色设定、指令措辞、格式约束、Few-shot 示例 | 检索（RAG）、记忆分层、工具调用、窗口管理、多模态融合 |
| 信息流 | 静态输入→输出，单次为主 | 检索→筛选→注入→执行→持久化，闭环迭代 |
| 典型场景 | 单轮问答、摘要、格式生成 | 智能客服、知识库问答、Agent 任务链、多轮对话 |
| 依赖能力 | 自然语言表达与模板设计 | 检索引擎、向量库、记忆系统、工具编排 |
| 挑战 | Token 成本高、泛化有限 | 相关性排序、窗口溢出、冷启动、一致性维护 |
联系与协同
- 包含与嵌套：Prompt 的指令/模板是 Context 注入窗口的核心组件；Context 为 Prompt 提供事实、历史与工具结果，避免"空转"。
- 分工互补：Context 解决"有什么料"，Prompt 解决"怎么用好料"；前者负责供给与管理，后者负责引导与约束。
- 闭环迭代：Context 系统的反馈（检索命中率、用户修正）用于优化 Prompt 模板；Prompt 的约束反过来指导 Context 的筛选与注入策略。
落地路径（从简到繁）
- 先做 Prompt 基线：明确角色、任务边界、输出格式、示例，形成可复用模板，验证单次交互的效果。
- 引入基础 Context 层：接入 RAG 与会话历史，按相关性与时效性筛选后注入窗口，解决事实与记忆问题。
- 构建分层记忆：短期会话记忆（窗口内）、中期任务记忆（向量库/数据库）、长期用户/领域记忆（画像/知识库），按需读写。
- 加入工具与编排：调用搜索、计算器、API 等，将结果作为 Context 回灌，支撑复杂决策与执行。
- 监控与迭代：统计检索召回率、窗口利用率、用户修正率，持续优化 Prompt 模板与 Context 筛选策略。