你还在卷提示词（Prompt）？不好意思，这届大模型根本不吃这一套了。

今天刷到一篇科技圈神文，评论区全是“+1”、“转发收藏”，甚至引来了 Karpathy、Tobi Lutke 等大佬站台点赞，直言一句：

“Prompt 工程的格局小了，真正决定 AI Agent 上限的是——Context Engineering（context engineering）。”

难道 Prompt 工程真的“过气”了吗？什么是 Context 工程？为啥连 DeepMind 和 Shopify 的大佬们都一边倒站队它？这背后，或许藏着下一代 AI 应用的真正密码。

Prompt不香了？Context才是Agent的决定因素！

文章出自 Google DeepMind 的 AI 开发者关系工程师 Philipp Schmid——他正带领团队构建 DeepMind 首个 AI 开发者关系部门，任务只有一个：把最前沿的大模型成果推向全世界开发者。

他的核心观点震撼圈内：

“与其打磨提示词，不如精心设计上下文。这才是让 AI 真正聪明的关键。”

想想你是不是也有这样的经历：

• 绞尽脑汁写了“完美提示词”，结果模型还是给出一段没灵魂、像背课文一样的回答；
• 明明上下文很复杂，但模型回答却浅尝辄止、甚至完全跑题。

问题出在哪？在于 大模型就像一个记忆力有限的语言引擎，它并不是不聪明，而是——你没喂给它对的信息。

而这正是“context engineering”的价值所在：让模型看清问题全貌，给出更像人类的判断与回应。

大佬力挺：“Prompt Engineering”只是入门，“Context Engineering”才是未来

这不只是 DeepMind 一家之言，圈内神级大佬 Karpathy（前 OpenAI、特斯拉 AI 负责人）早已表态支持。

他指出：

“context engineering是一门构建‘智能体记忆系统’的艺术与科学，远比一行 prompt 更加复杂和系统。”

甚至 Shopify 的 CEO、著名的“夜间黑客”Tobi Lutke 也发推大赞：

“我更喜欢context engineering这个说法，它更准确地描述了我们真正需要掌握的核心能力。”

他们都提到一个关键点：提示词只是用户层的小把戏，真正的工业级 AI 应用，需要系统性地组织上下文。

上下文≠一句话，完整构建包含7大模块！

Philipp Schmid 在文中详细拆解了 一个真正“有上下文”的 AI 系统，应该包含哪7种内容：

1. 系统提示（System Prompt）：提前定义模型的行为规则、身份、风格等。
2. 用户提示（User Prompt）：当前用户发出的任务。
3. 短期记忆 / 历史（State / History）：对话上下文、之前的互动记录。
4. 长期记忆（Long-Term Memory）：跨会话记住的信息，如用户偏好、业务背景等。
5. 外部信息检索（RAG）：模型从数据库或搜索引擎中抓取的实时知识。
6. 可调用工具（Available Tools）：模型可使用的功能接口，如发送邮件、下单、查库存。
7. 结构化输出（Structured Output）：输出内容的标准格式，比如 JSON、Markdown

如果说 Prompt 是一颗子弹，那 Context 就是整套武器系统，影响着这颗子弹能否精准命中目标

从“机器人回复”到“真人助理”，差的只是上下文

举个栗子，看看上下文的魔力：

你问 AI 助理：“明天能不能安排个会议？”

• 只提供这一句话，它可能机械回复：

• “明天我有空，请问您想几点开始？”

• 提供完整上下文（你的日程表、对方身份、历史邮件、常用语风格）后，AI 的回应会变成：

• “嘿 Jim！我明天全天都排满了。周四上午有空，合适吗？我已经发了个邀请，看看是否合适。”

是不是像真人秘书一样聪明了？

这就是 从“便宜Demo”升级为“神奇AI”的关键分水岭：不是换了大模型，而是加了上下文！

Prompt工程 vs Context工程，有何本质不同？

简单说，Prompt 工程是“如何说服模型”，而 Context 工程是“如何让模型理解全貌”。

在大模型能力越发强大的今天，限制它的往往不是智能，而是你给的信息不够多、格式不对、时机不准。

有人质疑：“Context Engineering”是换皮炒作？

当然，也有不少开发者泼了点冷水：

“上下文、提示词，本质上都是 Token 输入，模型不会区别对待。”

还有人说：

“所谓 Context Engineering，其实就是 Prompt 的系统化包装。”

这就像黑盒巫术——“调调试试、试试调调”。

不过就像编程一样，有人能写出 Hello World，也有人能构建分布式系统。context engineering看似炒概念，实则拼的是工程力。

结语：Prompt 的淡出，是趋势也是必然

随着 Agent 框架、RAG 技术的成熟，大量 AI 应用都在自动生成 prompt，开发者反而更需要掌握的是如何构建一个上下文生态：

• 什么信息该保留，什么该剪裁？
• 什么时候调用什么工具？
• 如何防止 context 腐烂（context rot）？
• 怎样设计信息结构，避免 GIGO（Garbage In, Garbage Out）？

这，才是真正的下一代 AI 工程师该卷的方向。

你是否已经在项目中用上了context engineering？是“真香”还是“玄学”？欢迎在评论区一起聊聊你的经验、踩坑故事，或者——晒晒你的Magical Agent！

记住一句话：模型再强，也得靠你“喂得好”才行。

 

本文由开放猫和子木联合共创，往期资料，回复“开放猫AI"添加下方二维码免费领取。