--- title: '上下文工程一次说清:从定义到 AI Agent 实战' video_id: jLuwLJBQkIs url: https://youtu.be/jLuwLJBQkIs title_en: "Context Engineering Clearly Explained" channel: Tina Huang published: 2025-08-01 duration: "12:48" topics: - Agent 工程 - 多 Agent 协作 noted: 2026-07-08 value: A views: '20.5万' --- [![封面](https://i.ytimg.com/vi/jLuwLJBQkIs/maxresdefault.jpg)](https://youtu.be/jLuwLJBQkIs) > Tina Huang · 12:48 · 发布 2025-08-01 · 20.5万次观看(截至抓取) · [观看原视频](https://youtu.be/jLuwLJBQkIs) > 🔥 观众最高回放 [06:55](https://youtu.be/jLuwLJBQkIs?t=415) — Tina 演示一个完整的 context-engineered system prompt(给 AI 研究助理用),展开 role/task/input/output/constraints/capabilities 六段式结构;观众多从此处回看是因前 6 分钟的定义与组件铺垫已足够,想要看实际拼出来长什么样。 ## 主旨 Tina Huang 用 12 分钟把"上下文工程"从术语讲到一手 prompt 范例:先与提示词工程划清边界,再把上下文工程定位为"为 Agent 撰写使用说明书"——把六类组件(model/tools/knowledge/memory/audio/guardrails/orchestration)如何协同用一段大 prompt 写死,最后给一份她自用的 AI 研究助理 prompt 与两条深入资源链接。 ## 核心论点 1. **上下文工程不是提示词工程的替代,而是提示词工程在"造 AI 应用"场景下的延伸**——日常聊天仍属提示词工程,只有无法靠多轮迭代修正、必须一次给齐指令的 Agent 场景才需要上下文工程。([[#1-定义上下文工程是为-llm-装好正确信息的动态系统设计-0039|→ 详解1]]) 2. **上下文工程 = 给 AI Agent 写使用说明书**——Agent 自带的六类组件(model/tools/knowledge/memory/audio/guardrails/orchestration)必须由 prompt 串成可执行单元,prompt 因此开始带 XML 标签与 markdown、长得像代码。(→ 详解2/3) 3. **六类组件是 Agent 的必要构件,缺一不可**——类比汉堡的"面包、肉饼、菜、酱"四件套,每类组件内部可换形态(不同模型/不同工具/不同记忆方案),但六大件必须都在场。([[#3-ai-agent-六组件--汉堡类比为什么使用说明书必须写-0300|→ 详解3]]) 4. **真正用上下文工程写出来的 prompt 远长于普通聊天 prompt**——Tina 自用 AI 研究助理的 system prompt 已包含 role/task/input/output/constraints/capabilities 六段,她说"this is actually considered a very very simple prompt"——言下之意是更复杂的 agent prompt 还要再长。([[#4-演示她自用的-ai-研究助理-prompt-长什么样-0642|→ 详解4]]) 5. **写上下文工程 prompt 也有公认的四类策略可循**——Cognition 给出多 agent 框架的两条原则(agent 间共享上下文、动作即隐含决策);LangChain 总结出四类策略(write/select/compress/isolate),两者都是更系统的资料入口。([[#5-资源两条深读链接与四类上下文策略-1124|→ 详解5]]) ## 知识点详解 ### 1. 定义:上下文工程是"为 LLM 装好正确信息"的动态系统设计 [00:39](https://youtu.be/jLuwLJBQkIs?t=39) Tina 给定义一句话:**"Context engineering is designing and building dynamic systems that give an LM the right info in the right format at the right time to accomplish a task"**([00:39](https://youtu.be/jLuwLJBQkIs?t=39))——三个关键限定:**动态系统**、**对的信息**、**对的时机**。她随即把它简化为一个更形象的说法:**"you're packing the context window, which is the input area of a large language model just right"**([00:53](https://youtu.be/jLuwLJBQkIs?t=53))——"装"是关键词,不是"写"一个 prompt 那么单点,而是把一整套信息打包进 上下文窗口。 她提示一个最常见的误读:**"You may have already heard or read online that context engineering is the new prompt engineering. That is true, but it doesn't mean that like prompt engineering is dead"**([01:00](https://youtu.be/jLuwLJBQkIs?t=60))——"新提示词工程"的说法没错,但提示词工程并没有死。两者差异不在"难度",而在**使用场景**——和 ChatGPT 聊跑鞋、聊菜谱、聊配色,这种来回多轮的对话仍是提示词工程;只有当你开始**造 AI 应用**时,上下文工程才登场。 ### 2. 区分:为什么"造应用"必须上下文工程 [01:27](https://youtu.be/jLuwLJBQkIs?t=87) Tina 用一个客服 agent 的设想把场景具体化:**"if you're building a customer service AI agent for your online store, that agent needs to be equipped with the ability to handle all sorts of inquiries like billing problems, refund issues, login issues"**——一个客服 agent 要能处理账单、退款、登录、条款检索、用户骂人、必要时转人工。她点出关键性质转换:**"you can't iteratively keep talking to the agent until it gets the answer correct"**([01:38](https://youtu.be/jLuwLJBQkIs?t=98))——聊天时你可以多轮纠错,让 ChatGPT 修正到对为止;但 agent 必须**一次给齐指令**。 随之而来的是 prompt 体积的膨胀:**"your prompts become larger and larger and more and more complex. At some point they even start to resemble code with XML tags and markdown"**([02:14](https://youtu.be/jLuwLJBQkIs?t=134))——上下文工程 prompt 长得像代码,带 XML 标签、带 markdown 结构。这与传统提示词工程"几行文字"形态完全不同,也是社区开始用"上下文工程"这个新词的原因。 她顺手给了一个抓人的类比:**"As Andre Kaparthy explains the LM is the CPU and the context window is the RAM"**([02:39](https://youtu.be/jLuwLJBQkIs?t=159))——上下文窗口 是 RAM,LLM 是 CPU。上下文工程就是**给 RAM 装好要让 CPU 跑的程序**——不是装哪段都行,得装到刚好够用、装到格式对、装到时机对。 ### 3. AI Agent 六组件 + 汉堡类比:为什么"使用说明书"必须写 [03:00](https://youtu.be/jLuwLJBQkIs?t=180) Tina 先把 Agent 词条统一一下:**"the definition of an AI agent is a software system that uses AI to pursue goals and complete tasks on behalf of users"**([03:00](https://youtu.be/jLuwLJBQkIs?t=180))——目标驱动、替用户执行任务的软件系统。客服 agent、销售 lead 资格化 agent、编程 agent 都属此类。 她随即列出六类必含组件:**"there are six components which are essential building blocks that make up an AI agent"**([03:18](https://youtu.be/jLuwLJBQkIs?t=198))——model(模型)、tools(工具,接外部系统,Agent 工具(Tool Use) 类)、knowledge and memory(知识与记忆,Agent 记忆 类)、audio and speech(语音)、guardrails(护栏)、orchestration(编排,Agent 编排(Orchestration) 类)。六件缺一不可。 类比是这段最抓人的一句:**"these six components of AI agents is sort of like a burger. Like in order for a burger to be considered a burger, it needs to have a bun, a patty, vegetables, and condiments"**([04:32](https://youtu.be/jLuwLJBQkIs?t=272))——汉堡四件套(面包、肉饼、蔬菜、酱)缺一不可,但每件内部可换(全麦/白面包/生菜包,鸡/牛/猪排),agent 也是如此:不同模型可换、不同工具可换、不同记忆方案可换,但六大件必须齐。 Tina 把外星人做汉堡的类比继续推进:**"whoever is telling you to make a burger probably needs to also provide an instructions manual telling you that the bun goes on either side"**——光有组件不够,还得有**组装说明书**。这正是上下文工程的位置:**"that is where the context engineer comes in. You're coming up with that prompt that exactly details how everything is working together"**([05:30](https://youtu.be/jLuwLJBQkIs?t=330))——上下文工程的工作产出,就是那段把六大件串起来的 prompt。 她用一句金句收尾:**"It is really important to get this prompt right, and people spend a lot of time context engineering until they get that perfect prompt"**([05:41](https://youtu.be/jLuwLJBQkIs?t=341))——这段 prompt 的好坏直接决定 agent 能不能工作,因此工程团队会花大量时间迭代。 ### 4. 演示:她自用的 AI 研究助理 prompt 长什么样 [06:42](https://youtu.be/jLuwLJBQkIs?t=402) Tina 拿出一份真实在用的 system prompt 演示。她先讲整体结构:**"The general structure of the system prompt is that I have these six different components. It helps um structure the prompt in a way that is easier to follow"**([06:58](https://youtu.be/jLuwLJBQkIs?t=418))——六段式结构组织整份 prompt,逐段如下。 **第一段 role**:**"you're an AI research assistant focused on identifying and summarizing recent trends in AI from multiple source types"**([07:04](https://youtu.be/jLuwLJBQkIs?t=424))——给 agent 一个清晰角色定位:研究助理,识别并总结 AI 趋势,信源类型多样。 **第二段 task**——把要做的事拆成五步:**"Step one is to extract up to 10 diverse high priority subtasks each targeting a different angle or source type. Step two is to prioritize by engagement such as views, likes, repost, and citations as well as authority of source"**([07:33](https://youtu.be/jLuwLJBQkIs?t=453))——拆子任务、按互动与权威度排序、生成 JSON 输出、算时间窗口、最终汇总成 ≤300 字趋势摘要。 **第三段 input/output**——输入用 XML 标签 `` 框住用户查询;输出指定一个固定 JSON 格式(每条 subtask 含 ID/query/source_type/time_period/domain_focus/priority/start_date/end_date 八字段)。 **第四段 constraints**——明确限制:聚焦要点、允许不完整句子、剔除水信息、禁止加入 AI 自己的分析与观点。**第五段 capabilities & reminders**——告诉 agent 可用什么工具(如 web search)、提醒它"必须清楚当前日期、只总结过去 10 天内新闻"。 她对这份 prompt 的总结非常关键:**"this is actually considered a very very simple prompt"**([10:05](https://youtu.be/jLuwLJBQkIs?t=605))——这还算是"很简单的 prompt"。她随即补一句:**"normally when I do something like this, I would generally split it into multi-agent systems"**——她实际生产里会拆成多 agent(一个检索、一个汇总),这版单体 agent 是为了讲解做的简化。言下之意:**真正在产的 agent prompt 还要再复杂一截**。 ### 5. 资源:两条深读链接与四类上下文策略 [11:24](https://youtu.be/jLuwLJBQkIs?t=684) Tina 在收尾前给两条深入资源。第一条来自 Cognition(Devin 团队),讲多 agent 框架的两条原则:**"to always share context between your agents. And the second is that actions carry implicit decisions"**([11:24](https://youtu.be/jLuwLJBQkIs?t=684))——一是**agent 间共享上下文**(不让每个 agent 各持一份信息),二是**动作即隐含决策**(agent 每做一步都是决策,设计时要谨慎)。 第二条来自 LangChain,把上下文工程策略归成四类:**"The first one is writing context. How it is that you can allow your large language model to write down information surrounding a task"**([11:46](https://youtu.be/jLuwLJBQkIs?t=706))——**写**上下文,让 LLM 把任务相关信息先写下来以备后用。**"The second is selecting context. How it is that you can pull information from external sources to help your agent perform a task"**([11:55](https://youtu.be/jLuwLJBQkIs?t=715))——**选**上下文,从外部源(数据库/RAG/工具)按需拉信息。 **"The third is compressing context. When there is a lot of information that you're trying to give in large language model, there are techniques that you can do in order to help compress that information in a more compact way"**([12:02](https://youtu.be/jLuwLJBQkIs?t=722))——**压**上下文,把大量信息压成更紧凑的形态喂入窗口(对应 Compaction 类做法)。**"And the fourth is isolating context. How to split context in between different environments and different places"**([12:13](https://youtu.be/jLuwLJQBs?t=733))——**隔离**上下文,让不同环境/子 agent 各持自己的窗口,避免主上下文被污染。 Tina 明确不展开这四类,只点到为止:**"I'm not going to go into more details about this to keep this video relatively succinct"**——她认为本片是把术语一次说清、把这四类当"深读入口"留给观众自己看。 ## 可执行步骤 - [ ] 先判断当前任务是聊天还是造应用——日常聊天继续用提示词工程套路(多轮迭代),只有造 Agent 才进上下文工程语境。 - [ ] 拿到一个 agent 需求后,先列六大组件(model/tools/knowledge/memory/audio/guardrails/orchestration)各打算用哪种——汉堡四件套类比反向用:先把空组件填实,再考虑 prompt 怎么写。 - [ ] 写 system prompt 时按 role/task/input/output/constraints/capabilities 六段式分块组织——每段一职责,XML 标签标边界,长 prompt 也要可读。 - [ ] 输入用 `` 等 XML 标签包住,输出用固定 JSON 格式锁死字段——给 agent 明确的数据边界,减少自由发挥。 - [ ] 读 Cognition 博客的"always share context + actions carry implicit decisions"两条原则,作为多 agent 设计的第一性检查项。 - [ ] 读 LangChain 的四类策略(write/select/compress/isolate)详解,逐条套到自己当前 agent prompt,看哪条最值得改。 ## 关联 - [[MxyRjL7NG18-Agentic 工作流课/36-子代理|Agentic课·子代理]] ——**互补**。Tina 讲单 agent 内的"六大组件 + 一份大 prompt 串起一切",Agentic 工作流课讲子代理把脏活分到独立窗口(上下文隔离 + 上下文污染)。两片互为正反:Tina 是"不拆"路线,Agentic 课是"拆"路线,实际工程按 prompt 体量与稳定度选择。 - [[2026-03-16-WISC上下文管理四策略|WISC上下文管理四策略]] ——**互补**。LangChain 把上下文策略归成 write/select/compress/isolate 四类,Tina 在结尾顺手带过;Cole 提的 WISC(Write/Isolate/Select/Compress)同样四类但顺序不同,两片互为印证(四类策略是社区共识),可对照读。 - [[MxyRjL7NG18-Agentic 工作流课/05-Agent 五要素|Agentic课·五要素]] ——**进阶**。Tina 的六大组件里 model/tools/knowledge-memory/audio/guardrails/orchestration 与 Agentic 课的 PTMRO 五要素(规划/工具/记忆/反思/编排)高度重叠,但 PTMRO 把"规划"提到首位、把"反思"独立出来——读 Tina 的"组装说明书"视角后,再读 PTMRO 看"agent 自身五步循环"如何对应更系统。 - 复现:[[2026-06-15-先学先赢的 6 个 AI 技能|先学先赢的 6 个 AI 技能]] 把 上下文工程 列为"有正职、不想辞职开公司"人群该保住饭碗的 6 项 AI 技能之一,是本片定义在个人技能框架里的具体应用。 - 复现:[[2026-07-09-数据科学家转型AI工程师路线图|数据科学家转型AI工程师路线图]] 把 上下文工程 放进 DS→AI 工程师转型的"LLM 层"基础层,强调上下文给错/给晚/给多/给少是多数 agent 异常的根因。 ## 一手来源与延伸 - [Cognition:Don't Build Multi-Agents(don't-build-multi-agents #a-theory-of-building-long-running-agents 节)](https://cognition.ai/blog/dont-build-multi-agents#a-theory-of-building-long-running-agents) ——Tina 提到的两条原则(agent 间共享上下文、动作即隐含决策)出处。 - [LangChain case studies(blog.langchain.com/tag/case-studies/)](https://blog.langchain.com/tag/case-studies/) ——Tina 提到的四类上下文策略(write/select/compress/isolate)出处。 ## 术语 - **Context engineering(上下文工程)**:为 LLM 在对的时间、对的格式、给对的信息以完成任务而设计的动态系统。 - **Context window(上下文窗口)**:LLM 单次可接受的输入区域,即 Karpathy 类比里的"RAM"。 - **System prompt(系统提示词)**:决定 agent 角色、任务、行为约束的顶层 prompt;Tina 的范例把它拆成 role/task/input/output/constraints/capabilities 六段。 - **Agent components(Agent 六组件)**:Model、Tools、Knowledge & Memory、Audio & Speech、Guardrails、Orchestration 六大件,Tina 类比为汉堡四件套。 - **Guardrail(护栏)**:agent 的安全机制,确保其不会产生不期望行为(如客服 agent 不回骂用户)。 - **Orchestration(编排)**:让 agent 能被部署、监控、随时间改进的系统层。 - **Multi-agent(多 agent)**:把单一 agent 的功能拆给多个子 agent 协作的架构,Tina 提到她实际生产会拆(讲解里没展开)。 ## 金句 > "Context engineering is designing and building dynamic systems that give an LM the right info in the right format at the right time to accomplish a task."([00:39](https://youtu.be/jLuwLJBQkIs?t=39)) > → 一句话定义,三个"对"信息(right info/right format/right time)就是上下文工程的全部工作量。 > "As Andre Kaparthy explains the LM is the CPU and the context window is the RAM."([02:39](https://youtu.be/jLuwLJBQkIs?t=159)) > → 把 LLM 比 CPU、context window 比 RAM,直接点明上下文工程 = 装 RAM 程序;工程思维立刻可类比。 > "It is really important to get this prompt right, and people spend a lot of time context engineering until they get that perfect prompt."([05:41](https://youtu.be/jLuwLJBQkIs?t=341)) > → 上下文工程是 AI Agent 项目的硬迭代项,不是一次写就完;上线后还会反复改。 > "this is actually considered a very very simple prompt"([10:05](https://youtu.be/jLuwLJBQkIs?t=605)) > → Tina 对自用 AI 研究助理 prompt 的评价。"简单"是相对生产中多 agent 系统的复杂 prompt 而言,新手不要被这句话低估入门门槛。 ## 立场与利益 - **与利益同向(待印证)**:Tina 自言已在卖/预备卖 "AI Agent Bootcamp"(见 description 中的 lonelyoctopus.com/ai-agent-bootcamp 链接);本片关于"造 agent 必须上下文工程、prompt 写得越长越复杂"是直接为课程铺路——**"agent 工程比聊天重要得多"这一框架性结论本身有外部共识(Cognition/LangChain 资源可印证)**,但"必须花大量时间精修 prompt"的具体工程纪律需独立查证。 - **利益中性**:Karpathy 的 CPU/RAM 类比、汉堡组件类比、Cognition/LangChain 两条引用、Cognition 的两条原则、LangChain 的四类策略——这些都是社区/原厂既有说法,Tina 只是转述与串联,与课程/工具无直接利益绑定,按内容本身采信。 - **利益反向(可信度最高)**:Tina 整片没避谈"我这份 prompt 还算简单"和"实际生产用多 agent 更复杂"——把"看完这 12 分钟不等于能造 agent"明说,**不夸大自学可达水平**,这与卖课话术相悖,故本片对入门难度的判断可作外部印证。 - 利益证据一行带过:description 含 augmentcode.com(7 天试用 affiliate)、lonelyoctopus.com/ai-agent-bootcamp(自己课程 waitlist)、365datascience/StrataScratch affiliate 链接;本片 Augment 中段有约 50 秒口头广告段。 ## 价值定位 - **适合谁**:正在从"用 ChatGPT 写提示词"过渡到"造 AI Agent / AI 应用"的开发者或产品人——已有 prompt engineering 基础、想搞清"为什么 AI 应用 prompt 这么长、长得像代码、为什么叫 context engineering"的入门读者。 - **解决什么**:给入门者**一张术语地图**——把 context engineering 与 prompt engineering 的边界、agent 的六大组件、prompt 的六段式结构、两条深读资源四件事一次性讲清,12 分钟即可完成"认知升级",再按需跳到 Cognition/LangChain 深入。 - **认知 vs 实操**:**偏认知**。给定义、给类比、给一份范例 prompt 看看,但**不教具体怎么迭代、不教怎么用 n8t/OpenAI Agents SDK 落地**——Tina 自己在 Augment 段也承认她用的是 NAT(她自创的 n8n 变体),但没在视频里展开操作流程。 - **与 [[MxyRjL7NG18-Agentic 工作流课/05-Agent 五要素|Agentic课·五要素]] 重叠时**:本片独有"汉堡组件类比 + 六段式 system prompt 范本 + 现实生产里要拆多 agent"三点,Agentic 课覆盖更系统的 PTMRO 五要素循环与子代理机制;入门先看本片,真要落地再看 Agentic 课。 ## 自检问题 1. 上下文工程和提示词工程的核心边界是什么?为什么 Tina 说"提示词工程没有死"? **答案**:边界在"使用场景"——聊天型来回多轮仍是提示词工程,只有造 AI Agent(无法靠多轮迭代、必须一次给齐指令)才需要上下文工程,见详解1/2。 2. Tina 把 AI Agent 拆成哪六大组件?她用什么生活类比让六大件"缺一不可"这件事变得直观? **答案**:六大组件是 model/tools/knowledge & memory/audio & speech/guardrails/orchestration,见详解3;类比是汉堡的面包/肉饼/菜/酱四件套——缺一不算汉堡,每件内部可换但必须齐。 3. Tina 演示的 system prompt 用了哪六段式结构?每段大致承担什么职责? **答案**:role(给角色)/task(拆步骤)/input(用 XML 标签包输入)/output(锁 JSON 格式)/constraints(明确限制)/capabilities & reminders(给工具与提醒),见详解4。 4. LangChain 总结的四类上下文策略是哪四类?对应什么工程直觉? **答案**:write(让 LLM 写下来备后用)/select(从外部源按需拉)/compress(把大信息压紧凑)/isolate(把上下文拆到不同环境/子 agent),见详解5。 5. Tina 对"自己这份 AI 研究助理 prompt 算复杂还是简单"的判断是什么?这对入门者的工程预期有什么含义? **答案**:Tina 说这份 prompt"算很简单的"——她实际生产拆成多 agent(检索+汇总),本片为讲解做了单体简化,入门者不要把"看完 12 分钟能造 agent"当成真实门槛,见详解4 末段与立场与利益节。