上下文工程AI编程
6 节点1 篇5 来源
在大型代码库中，**上下文工程（Context Engineering）**正取代提示词工程成为决定 AI 编程上限的核心能力。其本质是通过 AST 提取、只读边界隔离等手段，向模型投喂高信噪比的架构契约，以解决“中间遗忘”和幻觉问题。
【背景】传统提示词工程关注“怎么问”，而上下文工程关注“给什么信息”。实测数据显示，采用契约分层提取模式可将首轮生成可用率从 36.8% 提升至 88.4%，Token 消耗降低近 90%。
目前业界共识在于：单纯扩大上下文窗口无法解决注意力稀释，必须通过结构化手段（如 CLAUDE.md、MCP Server）动态注入最小必要子图。争议点在于自动化程度：一方主张由 LLM 自主决定加载时机（Skills），另一方强调人类或确定性规则（Hooks）的控制权以保障稳定性。
事情怎么走到这一步
Tanhdev 发布企业级实战指南，提出基于 AST 图谱和模块化 Cursor Rules 的上下文工程范式，声称在 30 万行 Monorepo 中消除 95% 幻觉。
tanhdev.com ↗Haseeb 等人发表研究，提出结合 Intent Translator、Elicit 检索与 Claude Code 多智能体的工作流，验证了外部知识注入对复杂仓库任务的成功率提升。
arxiv.org ↗Thoughtworks 工程师 Birgitta Böckeler 梳理 Claude Code 等工具的上下文配置特性，区分 Instructions 与 Guidance，并探讨 Context Interfaces 的加载策略。
martinfowler.com ↗Zigler 在 Vibe Coding 研讨会上提出“Mise en Place”方法论，强调编码前的语境接地与协作规范，将准备阶段视为对齐问题的核心解决方案。
arxiv.org ↗A.Team 分享团队实践，指出上下文工程能防止 AI 编程收益随会话重置，使经验在十人团队的生产环境中复利积累。
a.team ↗掘金作者“一缕82年的清风”发布深度解析，提供 Python 自动化抽取脚本，量化对比显示上下文工程使调试往返轮次降低 73.9%，单次延时提速 79.5%。