上下文工程

上下文工程是在 LLM 或智能体工作前及工作中，塑造其所见内容的实践，使正确的项目事实、规则、示例、工具和操作预期约束其行为。

机制

在 Claude Code 中，Claude Code 记忆文件是最直接的形式：持久化 CLAUDE.md 指令减少重复提示，使项目规则跨轮次可用。Claude Code 扩展系统中的技能、子智能体、hooks 和插件也属于该机制，因为它们控制任务会应用哪些上下文和流程。

提问质量构成输入层。聪明的技术提问与最小可复现问题报告为人和智能体减少推理前的歧义；AI 调试错误分诊则在本地 Web 调试中先区分浏览器、服务器和环境证据。

智能体任务简报构成实现层：在智能体行动前，明确期望结果、方案约束、红线和交付标准，把提示词变成紧凑设计文档。苏格拉底式规格细化则通过结构化对话，从粗略想法中发现缺失上下文。

长上下文失效模式构成失效层：大窗口仍会因污染、分心、混淆和冲突而降低智能体表现。上下文工程并非把更多信息塞入提示，而是控制哪些信息处于活动、可信、隔离、摘要或丢弃状态。

在智能体 Harness 工程中，上下文是智能体的 RAM；运行框架必须把活动工具描述、压缩、外部记忆、提醒和交接当作运行时资源管理。资源放置要考虑加载时机、能否跨压缩、上下文成本和权威性，从而区分提示型控制与 Claude Code Hooks、权限等框架级控制。

智能体输入规范化构成入口层：它先解析指代、别名、约束和缺失信息，再让意图识别流水线选择工作流。这样可以区分“用户表达没有被正确理解”和“分类器选错了意图”。

智能体上下文压缩构成运行时容量层：较早历史被压缩成结构化检查点，近期工具调用和结果保持完整，并通过会话持久化跨进程恢复。压缩不是无声截断，而是需要监测、测试和失败降级的状态转换。

RAG 上下文剪枝增加了按查询过滤的动态层：小型列表式模型在昂贵生成模型读取前，删除对完整答案没有贡献的检索文本块。因此，上下文工程既包括静态加载架构，也包括检索后的动态裁剪。

复杂产品开发还需要一层“委托上下文”。在要求智能体写代码之前，应先交代目标用户、业务目标、数据模型、验证规则、现有架构和验收行为，让它据此拆解任务并比较实现路径。如果在问题尚未分析时就直接指定某个实现库，智能体会退化为代码搬运者，也失去了参与规划和方案选择的空间。