在人工智能应用领域，提示工程（prompt engineering）曾长期占据焦点地位，而如今一个新兴术语正逐渐崭露头角：上下文工程（context engineering）‍。基于语言模型的构建工作，已不再局限于寻找完美的提示词句，而是转向回答更宏观的问题：“何种上下文工程配置最有可能激发模型产生预期行为？”

上下文（context）指的是从大型语言模型（LLM）采样时所包含的符号（tokens）集合。当前的工程问题在于，如何在LLM固有约束下优化这些符号的效用，以稳定实现目标结果。有效驾驭LLM通常需要具备上下文思维——即综合考虑LLM在任意时刻可获取的整体状态，以及该状态可能引发哪些潜在行为。

本文将探讨这一新兴的上下文工程技术，并提供一套精炼的心智模型，用于构建可控且高效的人工智能体（agents）。