AI 频繁写错,根子常不在它不会写,而在它「没读懂你的项目」——它脑子里此刻装的东西不对。可很多人却把希望全押在「prompt 写得好不好」上……但真正决定它表现的,往往不是你说的那一句话,而是它脑子里此刻装着什么——也就是 context window(上下文窗口)里的内容。上下文工程,就是主动管理这块「工作记忆」的手艺;它比单次 prompt 更底层,也更值钱。这篇讲清四件事:喂对、压缩、隔离、沉淀。
prompt ≠ context
prompt 是你这一轮说的话;context 是 AI 这一轮能看到的全部:系统提示、CLAUDE.md、它读过的文件、之前的对话、工具返回的结果……它的每个判断都基于这一整块,而不只是你最后那句话。所以同样一句「修这个 bug」,在一个塞满了相关代码与约定的上下文里,和在一个空白上下文里,结果天差地别。与其反复打磨 prompt,不如先管好它看到的上下文。
上下文是有限预算
context window 有上限——哪怕到了百万 token 级,也一样有边界。它有两个相反的失败方向:
- 塞太多:无关内容稀释关键信息;而且上下文越长,夹在中间的关键信息越容易被模型忽略(「lost in the middle」——开头结尾记得牢、中间记得差),还更慢、更贵。
- 塞太少:它不了解你的项目,只能猜——于是用错库、违背约定、重造轮子。
上下文工程的全部技巧,都是在这两端之间找平衡:让该在的在,不该在的别占预算。
喂养:喂对的,别喂全部
最常见的错误,是把「整个代码库」丢给它。正确做法是喂与当前任务相关的:相关的几个文件、类似的既有实现、关键的接口契约。让它先探索(见 EP1)找到相关范围,而不是你一次性灌全部。喂养的质量,直接决定它第一版的质量——Garbage in 不只是垃圾 out,还是昂贵的垃圾 out。
压缩:把旧对话变成摘要
隔离:用子代理隔开脏活
CLAUDE.md:把长期事实沉淀下来
成本视角:上下文即账单
上下文越臃肿,越慢越贵——每一轮的输入 token 基本等于当前上下文大小。系统性地把账单砍下来(看清 token 去向、上下文瘦身、模型分层),见 EP7 的成本失控自救。
喂对、压缩、隔离、沉淀——这四件事做顺了,AI 就真的「懂你的项目」了。但你也会发现:每次都手动配上下文、调权限、装工具,实在太累。下一篇,我们把这些一次配好,做成你的专属工作台。
每次手动喂上下文太累——下一篇,把它配成长期复用的专属工作台。