上下文工程是什么？为什么它比单纯写 Prompt 更重要？
这道题考的是你对 AI 应用工程的深层理解。很多人觉得写好 Prompt 就够了，但面试官真正想看你懂不懂"上下文工程"这套系统思维。
简单说：上下文工程是管理 AI 信息环境的全套方法论，Prompt 只是其中一小块。
上下文工程到底管什么
先泼盆冷水：很多人写的 Prompt 其实是在"许愿"。
"请帮我写一篇优质文章"——什么叫优质？给谁看？什么场景？这些你没说，AI 也猜不准。
上下文工程解决的就是这个问题。它不是优化单次输入，而是管理整个信息环境，让 AI 在正确的前提下做正确的事。
想象一下：你是个厨师，光告诉你"做道好吃的菜"够不够？不够。你还得知道今天有什么食材、厨房有什么厨具、客人有什么忌口。这些信息加在一起，才是完整的"上下文"。
上下文工程的五大信息来源：
- 用户输入：当前任务的具体描述
- 对话历史：之前的交互积累
- 外部数据：文档、数据库、知识库
- 环境信息：时间、地点、用户身份
- 工具结果：代码执行、搜索返回的结果
上下文工程要做的事情，就是把这些信息来源管理好、调度好，确保 AI 拿到的是高质量的输入。
System Prompt 和运行时上下文不是一回事
很多人把这两东西混为一谈，面试说出来就知道你还没搞清楚。
System Prompt 是静态规则，定义 AI 的角色、目标、行为边界。比如"你是一个专业的数据分析师，回答要严谨，引用数据要标注来源"。这东西设一次，基本不动。
运行时上下文是动态信息，是这次任务需要的具体情报。比如用户今天上传了一份销售报表，想分析 Q3 的趋势——这个"Q3 销售报表"就是运行时上下文，它每句话都在变。
类比一下：System Prompt 像公司发的员工手册，告诉你做事的基本原则。运行时上下文像领导今天交代的新任务，你知道原则，但得先搞明白今天要干嘛。
System Prompt 设边界，运行时上下文填血肉。 两者配合，AI 才能既懂规矩又懂任务。
为什么上下文工程比写 Prompt 更重要
这才是这道题的核心。
Prompt 解决的是"怎么说"的问题——我用什么语气、什么结构、什么格式来表达需求。
上下文工程解决的是"在什么情况下说"的问题——没有足够的上下文，任务连被解决的前提都不具备。
打个比方：Prompt 是你的发言稿，上下文工程是让这场会议能开起来的所有准备工作。会议室没订、参会人员没通知、资料没打印——稿子写得再好也白搭。
Prompt 工程做的是锦上添花，上下文工程做的是雪中送炭。你把 Prompt 优化到 100 分，上下文一团糟，AI 该答不上来还是答不上来。
| 对比维度 | Prompt 工程 | 上下文工程 |
|---|---|---|
| 关注点 | 单次输入的优化 | 整个信息环境的管理 |
| 目标 | 怎么说得更清楚 | 确保有足够的信息让任务可解 |
| 范围 | 一句话/一段话 | 用户输入+历史+外部数据+环境+工具 |
| 核心问题 | 这个请求怎么表达更好 | 这个任务需要什么信息、从哪来 |
两个让上下文失效的杀手
知道上面那些还不够，面试官想看你有没有踩过坑、踩过什么坑。
杀手一：信息稀释
大模型有上下文窗口限制，不是你想塞多少就塞多少。信息太多，有效内容反而被淹没。就像开会，人多了发言多了，关键信息反而没人记住。
杀手二：中间丢失效应
模型对开头和结尾的内容记忆最深，中间部分容易"看漏"。写一大段背景，中间那段大概率被忽略。
怎么应对？高信噪比原则。不是塞更多信息，而是确保每条信息都有用。
Claude Code 模式的做法值得借鉴：先减法，再加载。先把不相关的清干净，按需加载必要信息。Token 预算要分层管理：
- 高优先级内容：必须放在固定位置，比如当前任务描述
- 中优先级内容：可折叠，必要时展开
- 低优先级内容：精简或省略
面试怎么答
基础版（150字左右）：
上下文工程是构建向 LLM 提供精准、及时信息的系统性方法。核心目标是让任务"有可能被解决"——给够上下文是前提。跟 Prompt 工程不一样，Prompt 优化单次输入的表述方式，上下文工程管理整个信息环境，包括用户输入、对话历史、外部数据、环境信息、工具结果等多个来源。另外，System Prompt 设的是静态边界，运行时上下文需要动态管理。
加分版（加这些点）：
还要注意两个上下文失效的杀手：信息稀释和中间丢失效应。实战中要遵循高信噪比原则，比堆信息量更重要的是确保每条信息都有用。Token 预算要分层管理，高优先级放固定位置，低优先级精简省略。
一句话总结
上下文工程管的是"让任务可解"的前提，Prompt 工程管的是"说清楚怎么解"的表达，两者根本不在一个层次。