prompting其实从来都不是AI 的关键点，尤其是在这两年，LLM的文本生成能力很强，即使你写不好prompt，市面上也有很多AI工具可以帮你做prompt enhancement。

随着人们对Agent的能力要求越来越高，仅仅靠prompt也无法满足人们对AI的期待了，人们期待AI能「有记忆，懂用户」。因此，Context Engineering（上下文工程）就开始被关注到。

context engineering,是指通过系统性构建、管理和优化 AI 模型的输入上下文，以提升模型在复杂任务中的理解与输出能力。

其中包括几部分：

第一是历史交互数据。例如多轮对话记录（用户与模型的历史对话内容），交互行为数据，（如用户操作日志，如电商推荐中用户多次浏览但未购买的商品类型）。

第二，是context的总结。对话可以一直延续，但模型的上下文窗口有限，怎么记住之前的对话？当然是压缩，例如把最近5条对话的内容原封保留，再之前的内容总结一下。

但更重要的，是领域知识与背景信息。

AI的能力来源于两个方面 in-weights memory（训练集里学到的） 和 in-context memory（参考资料里学到的）。 in-weights memory基本上是很难修改的，但in-context memory 更容易修改和更新，你只要提供新的资料，正确的资料，模型就能有「新知」。

下面有请

出来挨夸。昨天知乎直答更新了一个功能：知识库支持公开分享了。

这意味着啥？意味着，你现在使用直答问问题，模型参考的资料，是行业专家里帮你筛选出来的资料库，而不是search agent自己到处搜的资料。用过各种deep research的小伙伴会发现，模型有时候参考的搜索结果真的不靠谱。例如我搜索「桔了个仔」，search agent可能会返回「果园桔子大丰收」这样的结果给模型参考。

而指定知识库后，我就可以只把这部分内容feed进in-context memory，这样，整个context会更纯净。例如我用

创建的《【知识库】人工智能报告集》，就可以得到业内准确的关于AI Agent的研究总结。这就是clean context的好处。

啊，我又不小心免费给知乎直答打广告了。（

@知乎直答

速速打盐粒给我！

另外一个context Engineering的应用是Cursor rule，它能够整合多维度上下文信息，加速上下文检索，减少用户手动提供上下文的负担。Cursor rule 是用户为 Cursor 编写的一组指导说明，以配置文件形式存在，可用于定义上下文边界、设置相关性层次、控制访问模式等，能让 AI 更好地理解和处理代码库。有github网友提供了一些不错的cursor rule案例

中午

吐槽Cursor用不习惯，我的建议就是来点rule，其实也是context engineering一下。期待

@强化学徒

的反馈。

但是，context engineer看起来容易碰到上限，AI能力的发展方向，what is next?

我认为是长上下文。这是大力出奇迹的方法。虽然目前很多长上下文模型表现并不好，但可能未来通过工程方法，新型架构的突破，长上下文模型会有质的飞跃。