Context Engineering · 元学科
"prompt engineering 的上位"——它管的不是"怎么写一句话"，而是"每一轮 LLM 调用前，prompt 里到底装了什么、怎么排、怎么压"。
Core Curriculum
Level 2 · 工程判断
阅读时间 · 21 分钟
练习 · 建议必做
低波动
Last reviewed · 2026-04-22
你将学会什么
- 理解《Context Engineering / 元学科》在 agent harness / coding agent 学习路径里的核心作用。
- 能用本页给出的判断法区分“概念、机制、边界、代价”。
- 知道这页内容之后会在哪一章被复用到源码阅读或动手实践里。
学习前提
建议先读《Subagent / 上下文隔离与派发》；如果你是跳读，至少先看本章索引与本页 TL;DR。
这页在课程中的位置
课程中段的能力层，用来回答“一个 harness 为什么需要这些补丁”。
本页 1 句话结论
"prompt engineering 的上位"——它管的不是"怎么写一句话"，而是" 每一轮 LLM 调用前，prompt 里到底装了什么、怎么排、怎么压 "。
带走的判断法
先看失败模式，再看能力补丁；能力不是越多越好，而是要能对症下药。
Source Policy
课程主线：稳定能力抽象 + 官方机制 + 跨框架共性。
TL;DR
- Context engineering 是系统级的上下文调度——决定每一轮 LLM 调用前 prompt 里装哪些组件（system / user / planner / tool 历史 / VFS 索引 / few-shot / retrieved / memory），它们的顺序，每个的预算，以及在 token 紧张时谁先被压缩 / 丢弃。
- 它不是"一个能力"，是把前 3 节 + 后 4 节所有能力组装起来的系统调度。Planning / VFS / Subagent / Long-term memory 都是它手底下的工具。
- 4 个核心动作：Curate（选）· Order（排）· Format（写）· Compress（压）。每个都有具体可落地的策略，不是玄学。
- Auto-summarization 是 Compress 的一种主流实现，不是 独立能力——它在本节里。
1. 这个词怎么来的、为什么需要它
"Prompt engineering" 在 chat 时代足够用——一个 prompt 一次回复，调一句话就能调好。Agent 时代变了：
- 每一轮 prompt 是动态拼出来的，不是手写的
- 历史会增长（message 累积），可能爆 context
- 有大量"非对话"内容要塞：planner state、VFS 索引、few-shot 例子、retrieved 文档、memory 召回
- 不同任务阶段需要不同 context 组合（planning 阶段需要看全 plan、execution 阶段只需要当下 todo）
这些事不是 "写 prompt" 能管的。Anthropic 在 2024-2025 年明确把这个工程命题命名为 "Context Engineering"，把它从 "prompt engineering" 里独立出来。
一个有用的类比
Prompt engineering 像"写一篇好文案"；context engineering 像"运营一个杂志"——你不再写一句话，你在每一期决定排版、栏目、字数预算、上期内容怎么压成本期摘要。两者都不可少，但层次不同。
2. Context 的"预算分配" · 两种场景对比
切换看不同场景下，一次 LLM 调用前 prompt 的预算分配大致长什么样（hover 看具体数字）：
Members only
解锁完整课时
订阅会员后可阅读本课全部内容，并访问课程内所有章节。
