上下文工程
定义（Karpathy, 2025）：为推理时刻的模型精确组装"刚好够用"的上下文——提示词、检索结果、记忆、工具定义、历史，一个都不能少，也一个都不能多。
范式转移：Prompt Engineering 关注"怎么问"，Context Engineering 关注"模型看到什么"。2026 年共识：多数 Agent 失败不是模型失败，而是上下文失败。
关键事实
超 70% 的 LLM 应用错误源自上下文不完整、不相关或结构不良，而非模型能力
"Context Rot"：上下文越长，召回精度越低（Lost in the Middle 效应）
Anthropic 原则：找到最小的高信号 token 集合，最大化目标结果概率
好的上下文能让同一模型性能提升 2-10 倍
四大支柱：知识检索（RAG/GraphRAG）、记忆管理（对话历史+长期记忆）、上下文编排（顺序/格式/预算）、工具与环境（schema+状态）。
实操要点
静态上下文（规则/API 文档）可缓存，动态上下文（用户状态/实时数据）按需注入
关键信息放开头或结尾，避免埋中段
Claude Code 系统 Prompt 由 110+ 条件片段运行时拼装——生产级 Prompt 是组装的，不是写死的
分层结构：身份 → 行为规则 → 格式约束 → 边界情况 → 示例；前 500 词权重最高
用 XML/标签区分来源，别让模型猜哪段是文档、哪段是指令
Agent 专属：多步执行中每步重建上下文（Just-in-Time），过时的工具输出要清理——"垃圾进，垃圾出"在长任务中指数放大。