先讲个小事
你去医院看病
跟医生说：我头疼
医生问：疼了多久，哪个位置，有没有发烧，最近睡眠怎么样，工作压力大不大
你一一回答
医生才能判断是偏头痛、感冒前兆、还是压力太大
如果你只说"头疼"，医生只能猜
猜对了算运气好，猜错了就麻烦了
跟 AI 打交道，道理一样
你给的信息越完整，它回答得越靠谱
这件事，以前叫 Prompt Engineering
现在有个新名字，叫 Context Engineering
两个词，谁先谁后
Prompt Engineering，提示词工程，大概在 2022 年 ChatGPT 火起来之后流行的
意思是：怎么写指令，让 AI 听懂你要什么
比如你想让它写一封邮件
写"帮我写封邮件"，它给你一个泛泛的模板
写"帮我写一封给客户的道歉邮件，语气诚恳，因为发货延迟了三天"，它写得就像那么回事
这叫"会问问题"
会问问题的人，能从 AI 那里得到更好的答案
Context Engineering，上下文工程，是 2025 年 6 月才火起来的词
Shopify 的 CEO Tobi Lütke 在推特上说：我更喜欢用"上下文工程"这个词，它更准确地描述了核心技能------给 AI 提供完成任务所需的全部背景信息
前 OpenAI 联合创始人 Andrej Karpathy 转发说：+1，工业级的 AI 应用，上下文工程才是关键
Karpathy 这个人，之前还发明了"Vibe Coding"这个词，翻译过来叫"氛围编程"，意思是跟着感觉写代码，AI 帮你补全
他造词的本事一流
两者什么区别
打个比方
Prompt Engineering 像是你跟 AI 说一句话
Context Engineering 像是你给 AI 准备一整套材料
前者关心的是：这句话怎么措辞
后者关心的是：AI 看到这句话之前，还需要知道什么
Karpathy 有个绝妙的比喻
他说，大模型就像电脑的 CPU，上下文窗口就像内存
你的工作，就像操作系统------决定往内存里装什么东西
装对了，程序跑得顺
装错了，系统会卡，会出错，会胡说八道
为什么会有这个变化
AI 变强了
以前的 AI，上下文窗口很小，只能记住几百个字
你只能给它简短的指令，所以 Prompt Engineering 够用
现在的 AI, Gemini 能处理一百万个 token，相当于好几本书
你可以塞进去的东西多了：历史对话、参考资料、工具说明、用户画像、之前的错误记录
光写一句好的提示词，已经不够了
你得设计整个信息流
IBM 苏黎世研究院做过一个实验
他们给 GPT-4.1 注入结构化的认知工具
在数学竞赛题上，准确率从 26.7% 跳到 43.3%
提升了 61.4%
几乎追平了 OpenAI 自家的 o1-preview 模型
这说明什么
模型能力差不多的情况下，上下文设计得好，效果天差地别
再举个生活例子
你用 AI 帮你做旅行攻略
Prompt Engineering 的做法：写一份详细的提示词，告诉它你要去哪，玩几天，喜欢什么类型的景点
Context Engineering 的做法：除了提示词，你还给它你的历史旅行记录，你的预算文件，你同伴的口味偏好，当地的天气预报，你已经订好的航班和酒店信息
前者，AI 给你一个还不错的标准答案
后者，AI 给你一个量身定制的方案
差距就在这里
两者是什么关系
Context Engineering 包含 Prompt Engineering
就像城市规划包含房屋设计
你设计一栋漂亮的房子很重要
但如果周围的道路、水电、绿化都没规划好，房子再漂亮也住得不舒服
提示词是房子
上下文是整个社区
对普通人有什么用
第一，别只顾着写漂亮的提示词
想想 AI 还需要知道什么背景信息
第二，善用 AI 的记忆功能
很多 AI 工具现在支持自定义指令、知识库、记忆
用起来
第三，分步骤提供信息
复杂任务别一口气塞给 AI
先给背景，再给要求，最后给限制条件
一步一步来，效果更好
第四，把常用的上下文模板存下来
下次用的时候直接调用
效率翻倍
写在后面
和 AI 打交道这件事
以前靠语感，现在靠系统
以前像聊天，现在像工程
Prompt Engineering 是入门
Context Engineering 是进阶
会写提示词的人很多
会设计上下文的人，才是真正的高手
这门手艺，值得学