如何精通上下文工程：构建真正理解你的 AI 系统（完整课程）

大多数人认为，从 AI 那里获得更好结果的关键在于编写更好的提示词（Prompts）。

收藏并保存此内容 :)

他们花费数小时精心打磨完美的句子。他们加上“扮演高级专家”的角色设定。他们插入“逐步思考”的指令。他们调整一个词，再运行一次；再调整另一个词，再运行一次。

但结果几乎没有任何变化。

原因如下。

提示词工程是语法，而上下文工程是基础设施。而在每一次对决中，基础设施都胜过语法。

那些构建真正有效的 AI 系统的人——这些系统能够记住你的偏好、访问你的数据、始终如一地遵循你的规则，并且日复一日地产生可靠的输出——他们并没有在编写更好的提示词。

他们在构建更好的上下文。

上下文工程是指设计、结构化和管理工作生成响应时可访问的确切信息的实践。它是提示词周围的一切：它能读取的文件、从先前会话中携带的记忆、它能使用的工具、塑造其行为模式的约束条件，以及校准其输出的示例。

在一个设计糟糕的上下文中，即使提示词措辞完美，每次产生的结果也都只是平庸。

在一个设计完美的上下文中，即使提示词很基础，每次产生的结果也都可能非常出色。

这就是大多数人完全忽略的关键转变。

这篇文章就是一门完整的课程。为期六周。从理解上下文工程的实际含义，到构建超越你曾在聊天窗口中获得过的一切的生产级 AI 系统。

第一周：理解为何仅靠提示词永远不够

“仅提示词思维”的问题

当你在 Claude 中输入一条消息时，模型看到的不仅仅是你的消息。它看到的是上下文窗口中的所有内容：系统提示词、上传的任何文档、对话历史、工具定义以及你最新的消息，所有这些信息都被一起处理。

你的提示词只是一味调料。上下文才是整个厨房。

大多数人对调料着迷，却完全忽略了厨房。他们写出一个漂亮的提示词，然后粘贴到一个没有任何上下文的空白对话中。接着他们纳闷为什么输出结果感觉千篇一律。

感觉千篇一律是因为模型没有任何可个性化的素材。它不知道你的工作、你的受众、你的标准、你之前的决策或你的目标。它是在盲目工作。而一个盲眼的模型会默认产生它能生成的最平庸、最通用、最安全的回应。

上下文工程通过给模型“眼睛”来解决这个问题。

上下文的三个层级

每一次 AI 交互都有三个上下文层级，而大多数人只使用了其中一个。

第一层是即时上下文。这是你的提示词。你提出的问题、你给出的指令、你请求的格式。99% 的人止步于此。

第二层是会话上下文。这是模型在单次对话中所知道的一切。上传的文件、对话历史、系统指令。大多数人部分使用这一层，但并未有意设计它。

第三层是持久上下文。这是跨越会话的知识。记忆系统、上下文文件、知识库、保存的偏好。几乎没有人正确使用这一层，而这正是杠杆效应最大的地方。

本周行动指南

• 审查你最近的十次 AI 交互，识别你使用了哪些上下文层级
• 阅读 Anthropic 关于系统提示词、上下文窗口和记忆的文档
• 创建你的第一个上下文文档：一个描述你是谁、做什么、你的受众、你的标准和你偏好的单一文件
• 测试相同提示词在有和没有上下文文档情况下的结果，并进行比较
• 开始建立个人上下文库，保存不同工作类型的可复用上下文

第二周：设计你的上下文架构

停止把每次会话都当作第一次

在 AI 辅助工作中，最大的生产力泄漏点在于每次会话都要重新解释你自己。

每次打开新对话并输入“我是一名与 B2B 领域的 SaaS 初创公司合作的营销顾问，我的受众是创始人和首席营销官，我使用直接对话的语气写作……”时，你不仅浪费了兩分钟，而且因为每次措辞略有不同，每次得到的结果也略有差异。

上下文架构可以永久解决这个问题。

你只需构建一次。随着时间的推移不断完善它。每次会话开始时，模型就已经知道了它所需要知道的一切。

每位专业人士需要的四个文件

身份文件。你是谁、做什么、你的专业知识、你的背景、你的沟通风格。这是你 AI 的“入职文档”。

受众文件。你为谁创作。他们的人口统计学特征、心理特征、知识水平、痛点、目标以及他们使用的语言。这确保每个输出都是有针对性的，而非千篇一律。

标准文件。什么是“好”的样子。你的质量标准、格式偏好、语气指南、反模式、优秀工作和糟糕工作的示例。这是你的质量控制体系。

项目文件。你当前正在做什么。当前目标、活跃项目、最近的决策、待解问题、截止日期。这是每周或每月变化的动态层。

在每次会话开始时加载这四个文件，模型就会从通用的助手转变为具有上下文感知能力的协作者，它已经理解你的世界。

本周行动指南

• 撰写所有四个上下文文件：身份、受众、标准、项目
• 保持每个文件在 2000 字以内，以便轻松放入上下文窗口
• 用这三种不同类型的工作测试四文件设置：写作、分析和头脑风暴
• 将输出质量与之前没有上下文文件的会话进行比较
• 根据输出仍未达标的地方完善每个文件

第三周：掌握动态上下文加载

并非每项任务都需要相同的上下文

在每次对话中都加载你的整个知识库是 token 的浪费，实际上会降低性能。当上下文窗口被无关信息淹没时，模型的注意力会被稀释。它试图使用一切信息，结果却什么也没有效使用。

动态上下文加载意味着为特定任务提供恰好正确的信息。不是你已知的所有信息，而是此刻重要的信息。

想想人类专家是如何工作的。外科医生在每次手术前不会复习所有的医学教科书。他们会审查特定的病人档案、特定的手术笔记和特定的成像结果。他们加载相关的上下文，而不是所有上下文。

你的 AI 系统也应该这样工作。

如何设计上下文加载规则

对于每种重复性工作，定义加载哪些上下文文件。

写作任务加载你的身份文件、受众文件和标准文件，加上该格式中你表现最好的内容示例。

分析任务加载你的身份文件和项目文件，加上原始数据以及同一主题的任何先前分析。

研究任务加载你的项目文件，加上你的研究方法论文档，以及你希望模型在此基础上构建的任何现有研究。

策略任务加载所有四个文件，加上你的竞争格局文档，加上相关的行业数据。

通过预定义这些加载规则，每次会话开始时都会加载完全正确的上下文。不再需要猜测。不再过载。不再欠载。

本周行动指南

• 列出你最常用的五类 AI 辅助工作
• 针对每类工作，精确定义应加载哪些上下文文件
• 创建一个简单文档，将每种工作类型映射到其上下文加载规则
• 测试每种配置，验证输出是否比加载所有内容时有所改善
• 养成习惯：在开始任何会话之前有意识地选择上下文

第四周：构建跨会话持久的记忆系统

记忆问题不是漏洞，而是你尚未利用的功能。

与 Claude 的每次对话都是全新的。模型不记得你昨天、上周或上个月讨论过什么。

大多数人视此为限制。最聪明的人视此为设计机会。

当你构建记忆系统时，你可以精确控制模型记住什么。你策划上下文。你移除过时信息。你添加新的学习成果。你刻意塑造模型的知识库，而不是让它随机积累。

人类员工记得一切，包括他们的坏习惯、过时的假设和不正确的解读。拥有设计记忆系统的 AI 只记得你希望它记住的内容，并更新以反映你最新的思考。

AI 记忆的三种方法

手动记忆文档。最简单的方法。你维护一个运行中的文档，记录关键决策、学习成果、偏好和项目历史。在每次会话开始时，你将相关部分粘贴到对话中。这适用于个人和小规模工作。

结构化知识库。中级方法。你在文件夹结构中构建一个有条理的 Markdown 文件系统。Obsidian 非常适合此用途。你按项目、主题或领域对信息进行分类。当你需要特定上下文时，加载特定文件。Claude Code 可以直接从你的文件系统中读取这些文件。

向量数据库和 RAG。高级方法。你将文档嵌入向量数据库，并构建一个检索系统，自动查找并加载任何给定查询最相关的上下文。这可扩展到数千个文档，也是生产级 AI 系统所使用的。

从手动记忆文档开始。当你拥有超过 20 个上下文文档时，升级到结构化知识库。当你的知识库超出你手动管理的范围时，转向向量数据库。

本周行动指南

• 创建你的第一个记忆文档：一份记录你 AI 辅助工作中关键决策、学习成果和偏好的运行日志
• 设置一个 Obsidian 仓库或按项目和主题组织的简单文件夹结构
• 练习在同一个项目的连续三个会话开始时加载记忆上下文
• 注意当模型能够访问你积累的上下文时，输出质量如何变化
• 建立每周习惯，用新的学习成果更新你的记忆文档

第五周：通过 MCP 将上下文与工具连接

没有工具的上下文，犹如没有双手的知识

你可以给 AI 模型提供关于你业务的完美上下文。它可以了解你的受众、你的标准、你的项目以及你所有的决策历史。

但如果它无法访问你的数据、查询你的数据库、搜索网络、阅读你的邮件或与你的工具交互，它仍然只是一个消息灵通的文字生成器。

MCP（模型上下文协议）赋予你富含上下文的 AI 模型对其所知采取行动的能⼒。

当你将深层上下文与 MCP 工具访问相结合时，模型就不再仅仅是顾问，而是开始成为操作员。它不仅知道你的周报应包含什么内容，还会拉取数据、运行数字、格式化报告并将其保存到你的驱动器中。

上下文-MCP 集成模式

产生最佳结果的 pattern 是：上下文优先，工具次之。

你的系统提示词建立上下文。模型是谁、知道什么、遵循什么标准、当前的优先级是什么。

你的 MCP 服务器提供能力。网络搜索、文件访问、数据库查询、API 集成、邮件访问、日历访问。

你的任务提示词将它们结合在一起。“根据你对我们第二季度目标和竞争格局的了解，拉取最新的市场数据，将其与我们的内部指标进行比较，并生成每周策略简报。”

上下文告诉模型为什么和做什么。工具告诉模型怎么做。任务告诉模型何时和在哪里做。

本周行动指南

• 确定你的 AI 工作流需要访问哪些外部工具和数据来源
• 设置你的第一个 MCP 服务器，从网络搜索或文件访问开始
• 构建一个完整的流程，将你的上下文文件与 MCP 工具访问相结合
• 端到端测试该工作流，并识别上下文和工具需要更好集成的地方
• 记录该工作流，以便复制和完善它

第六周：构建生产系统并扩展

从个人生产力到专业基础设施

过去五周你构建的一切都是一个个人上下文工程系统。它使你个人在使用 AI 时更快、更一致、更有效。

下一个层级是为他人构建经过上下文工程的系统。

企业需要能够理解其特定领域、遵循其特定规则、访问其特定数据并产生符合其特定标准的输出的 AI 系统。这就是作为产品或服务提供的上下文工程。

那些能够走进一家公司，审计其 AI 工作流，设计上下文架构，实施记忆系统，连接 MCP 工具，并交付生产级 AI 系统的人，目前每个项目正被支付 5,000 到 25,000 美元。

对这种技能的需求增长速度超过了供给。而且它将在未来几年继续增长，因为上下文工程不是趋势。它是使每个 AI 应用程序工作得更好的基础基础设施层。

本周行动指南

• 将你的上下文工程系统打包为可复用的框架
• 记录你的四文件上下文架构、加载规则、记忆系统和 MCP 集成
• 为你自己的工作之外的真实用例构建一个完整的上下文工程系统
• 公开分享你的框架，开始将自己定位为构建 AI 系统的人，而不是编写提示词的人
• 识别三家可能从上下文工程中受益的企业，并开始对话

改变一切的转变

大多数人将继续编写更好的提示词。

他们将继续寻找魔法词汇。他们将继续调整句子。他们将继续获得增量改进，同时纳闷为什么其他人能获得变革性的结果。

差异不在于提示词。

差异在于提示词周围的上下文。

工程化上下文。设计架构。构建记忆。连接工具。结构化信息。塑造环境。

做到这一点，你编写的每个提示词产生的结果，都是那些仅关注提示词的人无论措辞多么完美都无法复制的。

提示词工程是 2024 年的技能。

上下文工程是 2026 年及以后的技能。

如果觉得有用，请关注我 @eng_khairallah1 以获取更多此类 AI 内容。我每周发布解读、课程和工具。

希望这对你有用，Khairallah ❤️