2025年Shopify的CEO Tobi Lütke和AI专家Andrej Karpathy在X上提出了"context engineering" over "prompt engineering".这一新概念。Karpathy解释道，它是一门微妙的艺术与科学，目标是提供恰到好处的信息，为AI下一步推理做准备。

乍一听，这和提示词工程似乎差不多，但实际上，它的视野要更宏大，它不只是让AI理解一句话，而是系统化地让机器理解复杂、分散、甚至模糊的人类信息。前不久，上海交通大学和GAIR实验室的论文《上下文工程2.0：上下文工程的上下文》 进一步把这一概念完善，他们提出，上下文工程不仅是技巧，而是交流动力学的基础逻辑：人与机器之间的理解鸿沟，本质上是信息熵的差异。
 

接触这篇论文的时候，我的第一反应并不是又一个新概念来了，反而有点似曾相识的感觉。作者明明在谈的是上下文工程2.0，但读着读着，你会发现它其实对准的是一个更古老的问题——机器到底要怎样才能真正理解人？
 

人类的交流从来不是一句话、一条指令那么简单。我们说话有弦外之音，有潜台词，有历史背景，有今天早上刚发生的小情绪。论文引用了马克思的一句话，说人是社会关系的集合体，其实这句话放到机器身上同样成立。一个 AI 想理解你，光看你今天说的一句话是不够的，它得知道你之前经历了什么、现在处在什么状态、你打算往哪走。

过去因为机器笨，我们人必须迁就它。所以才有了按钮、图标、菜单、编程语言。这些东西不是为了方便人，而是为了让机器少出错——这是最早的上下文工程。只是那时候没人这样叫它。

等到大模型时代到了，表面上看，人与机器之间好像终于能够直接对话了。你说一句，它回一句，好像一切都简单了。可一用就知道，简化的只是外壳。深层的问题一点没少。机器依旧难以理解真正的语境，只不过这次它看起来好像懂，反而更危险。

论文对这种错觉戳得很直接，人类的表达天然是高熵的，乱七八糟、信息丰富、充满隐含关系；而大模型本质上仍是低熵系统，它只能接受明确的输入。两者差得太远了，信息鸿沟无法靠几条提示词填平。

正是在这个背景下，上下文工程的概念才逐渐清晰起来。它不再是写点提示词的小技巧，而是试图重新搭建人与机器之间的理解桥梁，让高熵的人类世界可以被低熵的模型尽可能接住。论文把这件事拆成了收集、管理、使用三个部分，结构听起来很学术，但内容其实贴近我们每天遇到的尴尬。

AI为什么总是抓不到重点？

论文先从模型的四个硬伤讲起，这四点读起来特别有现实感。这四个缺陷叠加起来，就构成了为什么大模型听不懂你的全部答案。

最明显的一点，是模型的感官缺失。它看到的世界只有输入窗口那一小截。如果你今天心情不好，它不会知道；如果你说话带一点隐晦，它也不会理解。对人来说这是基本常识，对机器却是巨大的盲区。

第二个问题是理解力有限。模型对复杂结构、场景、多人交互还是很吃力。你给它发一张图，让它总结图里发生了什么，它能描述出物体，却不一定能理解关系。而关系恰恰是我们最依赖的东西。

第三个问题是记忆。哪怕模型的上下文窗口越来越大，它依然记不住长期信息。和人类那种同事之间积累多年的默契相比，它能存储的东西仍旧是断裂的。

最后一个问题是注意力涣散。这点特别有趣。人能自然判断什么重要、什么无关，而模型面对长文本时却容易被没用的内容吸引，真正关键的地方反而忽略掉。

上下文工程真正做的事情是什么？

为了弥补这些缺陷，论文提出了一个完整框架，从收集、管理到使用，用一种更工程化的方式告诉我们，要让模型理解，就得先帮它把基础设施搭好。

收集阶段做的是补足感官缺失。模型看不到的东西，我们通过记录、传感器、多模态输入、日志、文件结构等方式帮它补上。就像替它打开窗户，让它能看到一个更真实的用户。

管理阶段针对的是理解与记忆的问题。人类的大脑天生有能力把杂乱的信息整理成结构化的知识，而模型却不行。它需要有人给它搭脚手架，告诉它哪些是背景、哪些是事实、哪些需要存档、哪些必须建成更持久的知识。

使用阶段则是帮助模型解决注意力涣散。它不应该把输入当成一锅粥，而是学会选重点，学会推理的顺序，学会从已有知识中调用信息，而不是硬吞所有内容。

一旦这三个环节串起来，模型呈现出来的就不再是回答问题，而是理解你想干什么，这两者之间差得非常远。

技术案例背后的现实意义

论文里提到的Gemini CLI、DeepResearch、Remember AI这些案例，看似很技术，其实背后的逻辑都一样，让模型不再每次都从零开始，而是具备一种持续存在的自我。

Gemini CLI那个 GMI 文件表面上只是一个项目配置文档，但它承担的角色更像是给模型写一本属于这个项目的常识。只要它存在，模型在项目中做事就不会迷路，也不会忘记进展。它不再是一问一答，而是参与一个长周期的任务。

DeepResearch更极端，它几乎在模拟人类研究者的工作方式，搜索、提问、整合、反推、再次验证。它通过不断压缩和重写自己的上下文，把短期信息迁移成长期知识。这就是管理阶段最理想的形态。

看到这些例子，你会发现上下文工程不是抽象的理论，而是正在发生的事实。论文虽然技术味很浓，但处处都在提醒读者一件事，今天的AI看起来聪明，但其实只是看起来。

它的回答之所以流畅，是因为模型学会了模仿语言的表面形式，而不是理解背后的结构。它不会在信息不全时主动找补，也不会在逻辑模糊时停下来澄清。

所以上下文工程的出现并不是锦上添花，而是给AI补课，让它具备最基本的理解能力。如果没有这些脚手架，它就只能停留在一问一答的机械模式里，看似聪明，实则脆弱。

向前走会发生什么？

论文把未来分成了几个阶段。早期的人机交互是命令式的，到了现在进入人-代理模式，而未来更可能进入一种意图级交互。
当模型能真正抓住用户长期的习惯、偏好、动机，交流会越来越像人与人之间的协作，而不是指令执行。最远的未来，论文甚至提到上下文熵可能会降到几乎为零，也就是说，机器能在极少提示下就明白你想干什么。这听上去很科幻，但如果上下文工程继续发展下去，它也许真的会变成AI世界的基础设施，像今天的注意力机制一样，从外挂变成体系本身。

这篇论文给我的最大启发，不在技术，而在态度。AI看起来越来越像人，但与其把它当成会思考的生命体，不如把它当成还没长全的大脑。它需要感官、记忆、结构化知识、长期背景、注意力系统，而所有这些都不是凭空生长出来的。

上下文工程做的，就是在模型稚嫩的地方铺路，把缺失的能力补上，让它有机会看得更远、理解得更深。真正的智能不会从提示词里长出来，也不会从模型大小中溢出来。它来自人与机器共同搭建的理解结构。而上下文工程，就是这座结构最早的脚手架。