第 6 章：Context Engineering

学完本章，你能：理解上下文工程，为项目编写 AGENTS.md，配置各工具规则

本章概念图

---

6.1 Context Engineering 概念

进阶~$0.01

把 Context 想象成给 AI 的工作便签：上面写着你项目的所有"记不住但很重要"的事情。

Why：为什么 Context 比 Prompt 更重要？

想象一下你和 AI 的对话像极了这个场景：

你："帮我重构这个函数"
AI："请提供函数代码"
你：*复制粘贴 100 行代码*
AI："这个函数依赖什么？"
你：*又复制粘贴依赖*
AI："你们的代码规范是什么？"
你："……算了，我自己改"

这不是 AI 笨，而是它像个失忆症患者——每次对话都得从头介绍自己。

一个残酷的真相

你精心雕琢一个小时的 Prompt，不如花 10 分钟写份好的 Context 文档。就像约会：外表（Prompt）很重要，但内涵（Context）才是长久之道。

核心矛盾：Prompt 写得再好，AI 不了解你的代码库也没用。

就像面试一样：

• Prompt（提示词）= 面试官的问题："请介绍一下你的项目经验"
• Context（上下文）= 候选人的简历、作品集、GitHub 主页

问题问得再巧妙（Prompt 工程），候选人什么背景都不了解（缺乏 Context），也答不出好答案。

Context 工程比 Prompt 工程更重要：

• ✅ 好 Context + 简单 Prompt = 准确输出
• ❌ 差 Context + 完美 Prompt = 胡说八道

What：什么是 Context Engineering？

1. 定义对比

维度	Prompt Engineering	Context Engineering
关注点	如何问问题	提供什么背景信息
输入	单次对话的指令	代码库、文档、历史
时效	即时生效	持续积累
范围	一个请求	整个项目
类比	问题的措辞	考试前的复习资料

2. Context 的三个层次

立即上下文（Immediate Context）：

• 当前文件内容
• 你选中的代码
• 刚才的几轮对话

项目上下文（Project Context）：

• 项目配置文件（AGENTS.md, package.json, tsconfig.json）
• README 和文档
• 代码结构和命名规范
• 测试用例

全局上下文（Global Context）：

• 编程语言的语法知识
• 框架和库的文档
• 通用的最佳实践

3. Context Window 管理

AI 模型有"记忆容量"限制：

GPT-4.1:   1M tokens        (约 750K 字)
Claude 4.6: 200K tokens（Beta 1M）  (约 150K 字)
Gemini:    1M tokens        (约 750K 字)

问题：一个中型项目就有几万行代码，不可能全部塞进去。

解决思路：像人类一样，只记住"相关的"信息。

AI 的"记忆力"陷阱

就像你不会把整本字典背下来一样，AI 也不需要知道你项目的每一行代码。聪明的做法是按需加载——需要什么查什么，就像你用 Google 一样。

关键技术：

• RAG（检索增强生成）：先搜索相关代码，再生成答案
• 智能切块（Chunking）：把大文件拆成小块，只加载需要的
• 优先级排序：AGENTS.md > 当前文件 > 依赖文件

4. 为什么 Context 质量比 Prompt 技巧更重要？

实验对比：

# 实验：让 AI 生成一个登录表单

# ❌ 场景 A：完美 Prompt + 零 Context
Prompt: """
请用 React + TypeScript 生成一个登录表单组件，
要求：表单验证、错误提示、可访问性、单元测试
"""
Context: （无）

# ✅ 场景 B：简单 Prompt + 丰富 Context  
Prompt: "生成登录表单"
Context:
  - AGENTS.md（项目用 Ant Design, Zod 验证, Testing Library）
  - components/Button.tsx（了解现有组件风格）
  - utils/validation.ts（知道验证工具函数）
  - tests/Form.test.tsx（明白测试写法）

结果：

• 场景 A：生成的代码风格不一致，引入新库，测试框架不同
• 场景 B：代码直接可用，风格统一，依赖已有工具

核心原理：

在正确的时间，喂给 AI 正确的信息
Context Engineering is about feeding the right information at the right time.

一句话总结

Context = 给 AI 的"工作便签"，写得越清楚，AI 干活越靠谱。

How：动手实验 Context 的影响

实验 1：Context 长度的影响

步骤：

1. 创建测试文件 /tmp/context-test.ts

// 一个有 bug 的函数
function calculateDiscount(price: number, userType: string) {
  if (userType === "vip") {
    return price * 0.8;
  }
  return price;
}

2. 测试 A：无 Context

Prompt: "这个函数有什么问题？"

AI 可能回答："看起来没问题，VIP 打 8 折，普通用户原价"

3. 测试 B：添加业务 Context

创建 context.md：

## 业务规则
- VIP 用户：8 折
- 会员用户：9 折  
- 普通用户：原价
- 学生用户：85 折

Prompt: "根据业务规则，这个函数有什么问题？"
Context: context.md

AI 会发现：

• ❌ 缺少"会员"和"学生"用户的处理
• ❌ 没有输入验证（price 可能是负数）
• ❌ 没有类型枚举（userType 是字符串，容易拼错）

4. 测试 C：添加代码库 Context

创建 types.ts：

// 现有类型定义
export enum UserType {
  VIP = "VIP",
  MEMBER = "MEMBER", 
  REGULAR = "REGULAR",
  STUDENT = "STUDENT"
}

export const DISCOUNT_RATES: Record<UserType, number> = {
  [UserType.VIP]: 0.8,
  [UserType.MEMBER]: 0.9,
  [UserType.REGULAR]: 1.0,
  [UserType.STUDENT]: 0.85
};

Prompt: "这个函数有什么问题？"
Context: context.md, types.ts

AI 会建议：

import { UserType, DISCOUNT_RATES } from './types';

function calculateDiscount(price: number, userType: UserType): number {
  if (price < 0) {
    throw new Error('Price cannot be negative');
  }
  return price * DISCOUNT_RATES[userType];
}

对比结果：

Context 级别	发现问题数	代码质量	复用现有代码
无 Context	0	⭐⭐	❌
+ 业务文档	3	⭐⭐⭐	❌
+ 代码库	5	⭐⭐⭐⭐⭐	✅

实验 2：Context 质量的影响

场景：让 AI 为 React 组件写测试

测试 A：模糊 Context

# AGENTS.md
测试框架：Jest

AI 可能生成：

// 使用 enzyme, 老式写法
import { shallow } from 'enzyme';
test('renders', () => {
  const wrapper = shallow(<LoginForm />);
  expect(wrapper.find('input').length).toBe(2);
});

测试 B：精确 Context

# AGENTS.md
## 测试规范
- 框架：Vitest + Testing Library  
- 命名：describe/it 而非 test
- 查询优先级：ByRole > ByLabelText > ByTestId
- 断言：@testing-library/jest-dom

## 示例
\`\`\`typescript
import { render, screen } from '@testing-library/react';
import userEvent from '@testing-library/user-event';

describe('Button', () => {
  it('handles click', async () => {
    const onClick = vi.fn();
    render(<Button onClick={onClick}>Click me</Button>);
    await userEvent.click(screen.getByRole('button'));
    expect(onClick).toHaveBeenCalledOnce();
  });
});
\`\`\`

AI 会生成符合规范的测试：

import { render, screen } from '@testing-library/react';
import userEvent from '@testing-library/user-event';
import { describe, it, expect, vi } from 'vitest';
import { LoginForm } from './LoginForm';

describe('LoginForm', () => {
  it('submits with valid credentials', async () => {
    const onSubmit = vi.fn();
    render(<LoginForm onSubmit={onSubmit} />);
    
    await userEvent.type(
      screen.getByLabelText(/email/i),
      'user@example.com'
    );
    await userEvent.type(
      screen.getByLabelText(/password/i),
      'password123'
    );
    await userEvent.click(
      screen.getByRole('button', { name: /sign in/i })
    );
    
    expect(onSubmit).toHaveBeenCalledWith({
      email: 'user@example.com',
      password: 'password123'
    });
  });
});

对比：Context 质量决定了 AI 生成代码的"风格匹配度"。

实验 3：可视化 Context 的作用

Reflection：Context 工程的启示

1. Context 是"喂"给 AI 的简历

把 Context 想象成给 AI 准备的备忘录：

• Prompt 是你临时提的问题（"这个 bug 怎么修？"）
• Context 是 AI 桌上的参考手册（项目规范、技术栈、代码风格）
• 背景越完善，回答越精准
• 一次配置（写好 AGENTS.md），到处使用

一句话总结

写一次 Context = 省下一千次重复解释。

2. Context 的优先级

配置文件（AGENTS.md）> 当前文件 > 相关文件 > 文档 > 通用知识

原因：越具体的信息，对当前任务越有用。

3. 从 Prompt 工程到 Context 工程的转变

旧思维（Prompt 工程）：

"你是一个精通 React 的高级工程师，请用 TypeScript 和函数式编程风格，
考虑性能优化和可访问性，生成一个复用性强、可测试的按钮组件……"

每次都要重复这一大段。

新思维（Context 工程）：

// 在 AGENTS.md 里写一次
技术栈：React 18 + TypeScript
代码风格：函数式、Hooks
质量要求：性能优化、a11y、测试覆盖

// 以后只需要简单 Prompt
"生成一个按钮组件"

4. 下一步：标准化 Context

问题：5 个人用 5 种 AI 工具，项目约定要写 5 遍？

解决方案：AGENTS.md——一份配置，所有 AI 工具通用。

不要重复造轮子

如果你团队里有人用 Cursor，有人用 Copilot，有人用 Claude……难道要写三份配置文件吗？不！AGENTS.md 一次搞定所有工具。下一节告诉你怎么做。

一句话总结：Context Engineering = 用最少的文字，让 AI 理解最多的事情。

👉 下一节：AGENTS.md 标准

---

过渡：从"管理上下文"到"调用工具"

到目前为止，我们学的都是如何把信息喂给 AI——写好 Prompt，管好 Context，让 AI 更准确地理解你的意图。

但你有没有想过：如果 AI 能自己去查数据库、调 API、发邮件呢？

打个比方：

• 前 6 章：你教 AI 读懂了菜谱（Context），还教它根据你的口味调整（Prompt）
• 下一章：你要给 AI 一把锅铲，让它自己炒菜

这就是 Function Calling（函数调用）——AI 从"只会说"变成"会干活"的关键一步。

大致流程长这样（伪代码，下一章会讲真实实现）：

你: "北京今天天气怎么样?"

AI 内心: "这个问题我需要查天气数据，我有一个 get_weather 工具可以用"

AI → 你的代码: "请帮我调用 get_weather(city='北京')"

你的代码 → 天气 API: 查询北京天气

天气 API → AI: "15°C，晴"

AI → 你: "北京今天天气晴朗，气温 15°C，适合出门！"

别被"函数调用"四个字吓到——如果你会写 def get_weather(city): 这样的 Python 函数，你就已经具备了理解 Function Calling 的全部基础。

下一章预告

第 7 章会从零开始教你实现 Function Calling，包含完整可运行的代码。你只需要会基础 Python + 理解 JSON 格式（就是 {"key": "value"} 这种东西）就够了。

---

最后更新：2026-02-20