什么是情境工程？
情境工程是指在 AI 模型生成回应之前，决定哪些资讯进入它的上下文视窗。提示工程是你在视窗「内」写什么；情境工程则是你一开始「选择」放什么进去。
大多数 AI 进阶用户花了一年时间打磨提示，却几乎没有人学会管理情境。这道缺口，正是你的输出至今仍然参差不齐的原因。
这个区别之所以重要，是因为一个出色的提示，若建立在杂乱、臃肿或过时的情境之上，结果依然平庸。根据 Anthropic 工程团队的说法，模型的注意力是有限的预算，你放进视窗的每一样东西都在互相争夺它。
情境工程和提示工程有何不同？
提示工程改善你「如何」与模型沟通，情境工程改善模型「能看到什么」。在 2026 年，提示工程只是入场券，情境工程才是拉开普通用户与进阶用户差距的倍增器。
可以这样理解：提示工程是写出一条清晰的问题，情境工程则是决定模型在回答这条问题时，应该看到哪三份文件、哪些过往对话、哪些示例。
情境工程包含几个提示工程完全忽略的环节：
--- 选材：哪些档案、笔记或先前的讯息真正该进入视窗。
--- 排序：指令与参考资料各自摆放的位置。
--- 压缩：把冗长历史浓缩成摘要，而不是整段贴上。
--- 记忆：哪些内容跨对话保留，哪些你刻意舍弃。
什么是「context rot」？它如何毁掉长对话？
Context rot 是指随着视窗内 token 数量增加，模型的记忆提取准确度反而下降的现象。你在长对话里塞得越多，模型就越难精准取回其中任何一项具体事实。
这个模式由 Anthropic 工程团队命名，而 Chroma 针对检索的研究也显示相关效应：当来源改变，储存的资讯会逐渐失效。两者指向同一个教训：更大的情境，不等于更好的情境。
前沿模型如今在 Claude、Gemini 与 GPT-5.5 上都提供约 1,000,000 token 的视窗，这份容量诱使你把所有东西一次贴进去。但在实际使用中，更大的空间若缺乏更好的策划，只会留下更多杂讯，于是模型偏偏在你精心设定该发挥作用时开始跑题。
实际上如何管理上下文视窗？
管理视窗的关键，是把 token 当成一份要刻意花用的预算，而非一个装满为止的水桶。只载入当前任务需要的内容，把指令放在最顶，一旦历史失去用处就立即清走。
四个习惯足以应付大多数情况：
--- 开新任务时另起一个对话，而不是在臃肿的旧对话里继续。
--- 只贴文件中相关的段落，而不是整份档案。
--- 把长对话浓缩成一段简短摘要，再从摘要继续。
--- 把你的角色、规则与输出格式放在最顶，模型在该处最可靠地留意指令。
这些都不是高深技巧，却是一套流程能撑过二十条讯息、还是在第八条就悄悄崩坏的分别。
一套经过情境工程的工作流程长什么样？
经过情境工程的流程会分开三层：稳定的指令层、精选的参考层，以及可抛弃的工作层。你让前两层保持乾净，并经常重置第三层。
以下是一段可复制的系统设定，你可以在正式开工前贴到任何 Claude 或 ChatGPT 对话的最顶：
试试这个设定：
你是我的研究助手，整个对话请遵守以下规则：
1. 角色：一位替繁忙的香港市场经理撰稿的资深分析师。
2. 参考：只使用我在「SOURCE」下贴上的材料。若某项事实不在 SOURCE 内，请回答「来源中没有」，不要猜测。
3. 输出：以短段落回覆，先讲答案，不要赘语。
4. 记忆：当我输入「RESET」，除了以上四条规则外，忘记所有内容。
明白后回覆「Ready」，然后等待我的 SOURCE。
它之所以有效，是因为它一次过固定了指令层，明确告诉模型该信任哪份参考，并给你一个乾净的方式清空工作层，而不会连规则一并丢失。
实践者在情境上最常犯什么错？
最常见的错误，是把一个没完没了的对话当成工作空间。一个已经回答过十条无关问题的对话，会把那十条问题的杂讯带进每一个新答案。
另外三个陷阱也不断出现：
--- 明明模型只需要两段，却把整份 40 页 PDF 贴上，既烧预算又招来 context rot。
--- 把指令（例如「用英式英文书写」）埋在一段长讯息的中间，模型于是半理不理。
--- 假设模型还记得你三十条讯息之前设下的规则，而那条规则早已被挤出视窗。
若想深入了解底层机制如何运作，Anthropic 自己那篇关于有效情境的文章值得一读：参阅 Anthropic 的有效情境工程指南。
立即试做：10 分钟情境审计
打开你运行最久的那个 AI 对话，做一次快速审计。它会准确指出你目前的流程在哪里漏掉情境。
--- 数一数这一个对话处理过多少项不同任务。超过三项，就代表你早该分拆。
--- 找出你最重要的那条指令。如果它被埋在其他文字之下，下一条讯息就把它移到最顶。
--- 问模型：「请摘要我下一个请求真正需要保留的事实。」然后开一个新对话，把摘要贴上，作为你全新的 SOURCE。
做一次，你就会立即感到输出收紧。情境工程不是拿来研读的理论，而是一次一个乾净视窗、逐步养成的习惯。
关键事实：一眼看懂情境工程
定义：决定哪些资讯进入上下文视窗。
与提示工程之别：提示工程是你在视窗内写什么，情境工程是你选择放什么进去。
Context rot：token 数量增加时记忆提取准确度下降，由 Anthropic 工程团队命名。
2026 视窗大小：Claude、Gemini、GPT-5.5 约为 1,000,000 token。
核心习惯：选材、排序、压缩、重置。
结语
提示工程教你把问题问得更好，情境工程教你把材料喂得更好，而 2026 年真正的增益就藏在后者。策划视窗、尊重 token 预算、经常重置。
在 UD，我们相信科技应该少一点冷冰冰，多一点人情味。「懂AI，更懂你；UD 相伴，AI 不冷」不是我们在文末硬加的口号，而是我们如何帮香港团队把零散的 AI 实验，变成真正靠得住的工作流程。
🚀 准备好升级你的 AI 技能？
懂理论是一回事，把它建进日常流程又是另一回事。UD 手把手带你完成每一步，由测出你目前的 AI 水平，到设计出禁得起实战的可重复情境工程流程。
先用 UD AI IQ 测试 为自己定个基准。
由 UD AI 团队审阅。
