面试官问你：“什么是上下文工程（Context Engineering）？”如果你回答“就是 Prompt Engineering 换了个高级说法呗”，面试官听完直摇头。
为什么？
因为 Prompt Engineering 的目标是写好一句提示词，而 Context Engineering 的目标是让 LLM 在正确的时间，以正确的格式，获取正确的信息和工具，从而更好地完成任务。
哈喽大家好，我是二哥呀。今天用 3 分钟，带你搞懂上下文工程这个概念。
面试官问这道题，主要考察三个层面：第一，为什么 Prompt Engineering 不够用；第二，Context Engineering 具体包含哪些手段；第三，你在实际项目中有没有用过。
好，接下来给你满分回答，照着背就完事了。
先记住一个类比。由 AI 圈的明星人物卡帕西提出，LLM 是 CPU，上下文窗口是内存，而你，是操作系统。操作系统干什么？决定什么数据被加载进内存。CPU 再强，内存里装的全是垃圾，照样算不出正确结果。
这就是上下文工程的核心，给 LLM 足够多，且足够有用的上下文信息，但不是绝不是多多益善。
上下文具体包含什么？七大组件：System Prompt 定义角色和规则，用户输入定义任务，历史记录能让 LLM 知道前面聊过什么，长期记忆存储跨会话的既定事实，RAG 从外部知识库实时拉取信息，工具定义告诉模型能调哪些外部函数，结构化输出约束响应格式。
这七样东西，每一次请求都要动态组装。不是写一条 Prompt 扔那儿就完事了。
为什么上下文工程在 Agent 时代特别重要？
因为 Agent 80% 的失败不是模型不够聪明，讲良心话，GPT-5.5 和 Opus 4.6 已经足够聪明。拿 Claude Code 举例，它有个 CLAUDE.md 文件，里面要写清楚项目的编码规范、个性化配置等的，每次会话这个文件会自动加载进上下文。如果没有这个文件，Claude Code 完成任务的失败率将会大大增加。
换句话说，Agent 的差距不在模型能力，而在信息供给。
面试官如果继续追问：“上下文是不是越多越好？”
告诉他——不是。
第一，中毒。模型产生过一次幻觉，错误信息如果留在上下文，后续的推理就会反复引用，错的就会越离谱。
第二，干扰。上下文塞得太多，模型就会过度关注上下文内容，反而忽略了训练时学到的知识。
第三，混淆。无关信息混进上下文，模型会误以为很重要，输出质量堪忧。
第四，冲突。上下文里积累的新信息和原始指令容易产生矛盾，模型就不知道该听谁的。
所以上下文一定要准确，同一个session，如果任务关联度很低，要尽可能多手动压缩和clear。
最后给大家一句口诀——Prompt 只管一次对话，Context 管多次；信息准、格式对、时机好，Agent 才能真正发挥出威力。
这道题你学废了吗？想解锁更多 Agent 面试题的源码级拆解，点赞关注，我是二哥，下期见！
回复