提示词工程已死，上下文工程永生

Nav Toor 最近写了一篇很有分量的文章标题直接点明了一个正在发生的行业转向Context Engineering 正在取代 Prompt Engineering成为区分 5 万美元年薪和 50 万美元年薪开发者的关键技能。这篇文章的信息密度很高从行业数据到技术架构再到实操路径都讲得很透值得仔细拆解。提示工程为什么死了先说一组数据。LinkedIn 上标注“Prompt Engineer”头衔的个人资料从 2024 年中到 2025 年初下降了 40%。专门招聘提示工程师的岗位在所有 AI 相关职位中的占比峰值时也只有 0.3%之后就一路走平接近归零。Gartner 预测到今年年底70% 的企业会使用 AI 驱动的提示自动化。一个号称是未来的职业大概只活了十八个月。Nav Toor 分析了三个同时发生的致命打击。第一模型自己变聪明了。GPT-5.4、Claude Opus 4.6、Gemini 3.1 这些模型对自然语言的理解能力已经强到你不需要再写“请扮演一个专家”或者“请一步一步思考”这类提示词了模型自己就会这么做。精心措辞的技巧被模型本身的能力给自动化了。第二任务变长了。2023 年大部分 AI 交互还是一问一答的模式但到了 2026 年AI Agent 跑的是跨越数小时的多步骤工作流要读文件、调 API、写代码、自检、迭代。一个完成需要 47 次工具调用的流程靠一条提示词根本管不住。提示词变成了一本千页书里的一句话它已经不是决定结果的关键因素了。第三岗位被吸收了。提示工程的工作没有消失但它被折叠进了软件开发、产品管理、数据分析和运营这些已有的岗位里。LinkedIn 的数据显示在提示工程头衔下降 40% 的同一时期“AI 工作流设计”作为一项技能增长了 25%。提示工程从一个职业变成了简历上的一行字。这段分析其实揭示了一个更普遍的规律当一项技能的门槛被技术本身拉低到几乎为零的时候它就不再值钱了。三年前你会写提示词是稀缺能力今天模型自己就能理解你随便说的话这项技能的稀缺性就消失了。真正值钱的东西永远在往更高的抽象层迁移。上下文工程到底是什么Nav Toor 引用了 Anthropic 官方工程文档里的定义上下文工程是“在 LLM 推理过程中策划和维护最优 token 集合的策略”。翻译成大白话就是决定 AI 在生成回答之前应该看到什么信息、什么时候看到、以什么格式看到让输出的质量是可靠的而不是靠运气的。如果说提示工程关注的是“你怎么问”那上下文工程关注的是“AI 看到了什么”。一个是一句话的事另一个是一整套架构。这个区别看起来微妙但影响是根本性的。提示工程的天花板就是一条消息的长度而上下文工程的天花板是你能构建多复杂的信息系统。上下文工程的五个组成部分Nav Toor 把上下文工程拆解成了五个核心模块缺一个系统就会退化五个都建好了AI 产出的东西你才敢署自己的名字。第一个是系统指令。这是每次交互之前就加载好的持久性规则告诉 AI 它是谁、怎么行动、什么该避免、质量标准是什么。在 Claude Cowork 里这就是你的 about-me.md、brand-voice.md、working-rules.md 这些上下文文件。在 Claude Code 里这就是你的 CLAUDE.md 文件。关键在于系统指令不会在会话之间变化你写一次永久生效。每次会话开始的时候AI 已经知道你是谁、你怎么写作、什么算好的输出。很多人用 ChatGPT 的时候每次新对话的前十分钟都在跟 AI 对齐我是做什么的、我需要什么风格、请注意什么。上下文工程师花在这件事上的时间是零因为文件已经永久性地替你做了这个工作。光是这一点就能省掉大量的重复劳动。第二个是记忆与状态。短期记忆是 AI 在一次对话里记住的东西长期记忆是跨会话持久保存的信息状态是 AI 在多步骤流程中走到了哪一步、做了什么、还需要做什么、已经做了哪些决策。Anthropic 的研究把这叫做“结构化笔记”。AI 给自己写笔记比如待办清单、进度日志、NOTES.md 文件这些东西保存在上下文窗口之外需要的时候再拉回来。没有记忆每次会话都从零开始有了记忆每次会话都从上次结束的地方继续。这就是一个工具和一个系统之间的区别。第三个是工具集成。AI 模型本身只能读文字和写文字上下文工程给它装上了手。工具就是 AI 可以调用的功能搜索网页、读文件、查数据库、发邮件、查日历、跑代码。Anthropic 在 2024 年底发布的 MCP 协议已经成了这个领域的标准现在有 Gmail、Google Drive、Slack、GitHub、Notion、Salesforce 等几百个 MCP 服务器每一个都让 AI 能触达一个它以前碰不到的系统。这里有一个容易被忽略的技术细节工具的定义本身就是上下文的一部分。一个写得好的工具定义就是上下文工程一个写得差的会浪费 token 还会让模型犯糊涂。第四个是检索增强。模型有训练数据的截止日期它不知道你公司的内部政策、你的 Q1 销售数据、你客户昨天发的邮件。检索增强生成RAG就是在模型生成回答之前先去你的知识库里搜索相关信息拉进上下文窗口让模型基于你的真实数据而不是训练数据来回答。在 Claude Cowork 里这就是你把 AI 指向电脑上的一个文件夹它会读里面所有的文件。Opus 4.6 有一百万 token 的上下文窗口意味着整个项目目录、整个代码库、整个研究资料库都可以一次性加载进一个会话里。Nav Toor 说了一句很到位的话一个会产生幻觉的 AI 和一个能引用你自己数据的 AI 之间的差别不在于模型更好而在于检索更好。这就是上下文工程。第五个是动态上下文组装。这是上下文工程跟之前所有方法的根本区别。静态系统每次加载同样的信息动态系统根据不同的任务组装不同的上下文。你问代码问题它加载你的代码风格指南和最近的 Git 提交你问写作问题它加载你的品牌语调文件和最近的文章你问会议准备的问题它加载你的日历、收件箱和参会人资料。Anthropic 在他们的 Skills 系统里把这叫做“渐进式披露”。Claude 不会把你安装的所有 Skill 都加载进来它先读描述判断哪些跟当前任务相关只加载需要的。上下文是动态组装的针对具体任务优化的每一次都是。这就是为什么它叫上下文“工程”。它不是写一条好指令的事而是设计一个系统让它能自动地、动态地、每次都组装出正确的信息。提示工程 vs 上下文工程同一个任务两种完全不同的体验Nav Toor 举了一个非常直观的对比例子。提示工程的做法你打开 ChatGPT输入“给我的客户 John 写一封专业邮件关于 Q1 交付延迟两周的事语气要道歉但自信。”你得到一封还行的邮件然后花 15 分钟修改因为语气不对它不知道 John 对截止日期很敏感而且用了两次“leverage”。上下文工程的做法你打开 Claude Cowork输入“给 John 发邮件说 Q1 延迟的事。”Claude 已经从你的品牌语调文件里知道你的写作风格从项目上下文里知道 John 是优先客户通过 Gmail 连接器查了你跟 John 最近三封邮件来匹配语气从你的 Skills 里知道公司的沟通标准。它产出的邮件听起来就像你自己写的。修改时间两分钟可能是零。同样的任务同样的 AI 能力完全不同的架构完全不同的结果。提示工程师写了一个更好的问题上下文工程师建了一个更好的系统。一个每次会话都归零另一个每周都在积累。这个例子其实说明了一件很重要的事当你觉得 AI 输出质量不行的时候问题大概率不在提示词上而在上下文上。AI 不是不够聪明是它不知道它应该知道的东西。职业影响被裁的不是不会用 AI 的人Nav Toor 引用了一些很扎眼的数据。Shopify CEO Tobi Lutke 在 2025 年发了一份内部备忘录在招任何新人之前管理者必须先证明 AI 做不了这个工作。AI 使用情况已经被纳入了 Shopify 的员工绩效考核。2026 年 3 月仅一个月就有 4.5 万名科技工作者被裁来自亚马逊、谷歌、微软、Meta 这些大公司。Nav Toor 指出了一个残酷的规律被裁的不是那些不会用 AI 的人而是那些把 AI 当工具用的人。聊天、复制、粘贴、重复。活下来并且发展得好的是那些围绕 AI 构建系统的人。ZipRecruiter 上已经有了“上下文工程师”这个岗位截至文章发布时有 60 个在招职位薪资区间在 8.4 万到 23.5 万美元之间。这个学科诞生还不到两年就已经有了自己的薪资带。这个趋势对所有人都有参考价值。不管你是什么行业、什么岗位“会用 AI”这件事的门槛正在快速降低很快就不再是竞争优势了。真正的竞争优势在于你能不能围绕 AI 建立一套持续积累、持续优化的工作系统。用 AI 聊天是消费建 AI 系统是投资两者的回报曲线完全不同。所以在 AI 时代消费型使用和投资型使用之间的差距会像复利一样指数级拉大。什么是消费型使用每次打开 AI问一个问题拿到答案关掉。下次再来从零开始。你用了 AI但 AI 没有因为你的使用而变得更懂你。什么是投资型使用你每次使用 AI 的过程中都在往系统里沉淀一点东西。一个写作风格的偏好一个任务流程的封装一条质量标准的补充。第一周和第五十周你用的是同一个 AI但第五十周的那个 AI 已经积累了你几十周的经验、偏好和判断标准它产出的东西跟第一周完全不是一个水平。这两种人之间的差距不是天赋不是智力不是时间是有没有建一个会长大的系统。普通人怎么从零开始Nav Toor 在文章最后给出了一条非常清晰的实操路径不需要你是开发者。第一步建三个文件。在一个文件夹里创建三个 markdown 文件。about-me.md 写你是谁、你的角色、你的受众、你当前的优先事项不是简历是给一个聪明的协作者看的简报。brand-voice.md 写你的写作风格、语气、常用词汇、绝对不用的词附上两三个你自己写的真实样本。working-rules.md 写你希望 AI 怎么行动比如执行前先确认、默认文件格式、质量标准、不确定时怎么处理。把 Claude Cowork 指向这个文件夹从此每次会话都带着完整的上下文启动。你一次性消灭了每次 AI 交互前十分钟的重复对齐工作。第二步把你最常做的事变成一个 Skill。想想你重复最多的任务让 Claude 帮你把它封装成一个 Skill 文件以后只要任务匹配就自动加载。一个 Skill十五分钟你就永久消灭了一条你再也不用写的提示词。第三步连接你的真实数据。在 Claude 设置里连接 Gmail 和 Google Calendar然后试试说“总结一下我今天的会议检查收件箱里有没有跟它们相关的邮件”。Claude 会拉取你真实的邮件和日历数据交叉比对给你一份原本需要你花十五分钟手动整理的简报。第四步建一个自动化的周一早间简报。让它自动汇总周末的邮件、列出本周的会议、根据变化识别出你的前三个优先事项。当你第一个周一早上走到办公桌前发现一份用你的语气写好的、优先级已经排好的完整简报在等着你的时候一切就不一样了。第五步持续迭代。每次 Claude 产出的东西你不满意问自己一个问题这是提示词的问题还是上下文的问题几乎每次都是上下文的问题。往你的品牌语调文件里加一行调整一下工作规则更新一个 Skill。五分钟的文件编辑永久性的改进。系统变得更聪明不是因为 AI 进步了而是因为你的上下文进步了。复利效应两种人的差距会越来越大Nav Toor 在文章结尾描绘了一条时间线上的分化。一个提示工程师在第一周和第五十周用 AI 的方式是一样的。每次会话从零开始每条提示词手工打造技能天花板就是一条消息的长度。一个上下文工程师在第一周建的架构让第二周更好第二周的优化让第三周更好。到第八周系统产出的初稿已经不需要编辑了。到第十二周定时任务在没有人参与的情况下跑完整个工作流。到第二十周系统积累的机构知识是任何提示词都无法复制的。这两个人之间的差距不是天赋、不是智力、不是时间而是架构。一个人建了一个会复利增长的系统另一个人还在每天往同一个聊天窗口里打同样的指令。提示工程是一次对话上下文工程是一套基础设施。一个每次归零一个持续积累。这个选择摆在每个人面前而做出选择的窗口期比上一次关得更快。原文地址https://x.com/heynavtoor/status/2036157094341255344给大家说件事从今年开始我星球里会录制各种视频教程到目前为止录制的视频教程就已经有 20 多期了。最近非常火的 Agent Skill 视频教程也录制了 16 期了。加入我的星球社群「AIGC·掘金成长研习社」即可获取视频链接学习。最后介绍一下我的星球「AIGC·掘金成长研习社」可点击链接查看星球全面介绍主要分享三个板块的内容1、副业赚钱领域的内容。我做自媒体十几年了有很多副业赚钱方面的经验和干货而且每周都会定期详细带大家拆解一个副业赚钱案例持续更新的那种目前已经分享了上百篇跟副业赚钱相关的帖子和文章了。2、AI 落地和实操相关的内容。我在里面也分享了很多 AI的各种玩法和落地场景包括用 AI 做副业的案例也都有。3、个人成长。我会分享很多我做超级个体和自由职业的一些思考和成长类的内容目前我已经做自由职业 5 年了有太多的感慨和内容分享。如果你想学习如何搞副业如何使用 AI 甚至如何使用 AI 搞副业那一定要加入我这个超值的星球。目前已经更新了 1900 多条干货和文章了加入成员 1500。感兴趣的可以加入。限时优惠中原价 199 元今天加入可以立减 30 元只需要 169 元优惠券仅剩 10 多个优惠名额。我认为我的星球是目前副业和 AI 领域最超值和具有性价比的星球价格不贵同时内容也不比几千块钱的星球差。大家可以扫码查看支持 3 天无理由退款内容好不好先进来看看再说不适合自己退了也没毛病。