提示词工程是提对问题，上下文工程是为LLM输出答案准备好一切。

在Agentic产品设计中，为了能让LLM发挥更好的效能，上下文工程（Context Engineering）与提示词工程（Prompt Engineering）是两类完全不同的“方法”。

提示词工程是“问对问题”的方法，它追求单次交互的精准。

而上下文工程是“准备好答案所需一切”的工程方法。它保障系统级稳定性和扩展性。

这二者在目标、范围和方法上存在显著差异。

提示词工程的目标是设计清晰、具体的指令，引导模型生成符合预期的单次输出。

有很多标准结构的提示词，它适用于固定的、单次输入输出的优化，如创意写作、一次性代码生成等。

它的核心，是优化“此刻的提问方式”。

例如通过调整措辞、添加示例或结构化指令来提升单次交互效果。

它的复杂度比较低，仅需设计静态提示词，无需考虑长期状态或外部工具。

提示词工程，高度依赖手工调试，难以复用于复杂任务，且输出稳定性受提示词细微变化影响较大。

上下文工程，目标是动态构建模型完成任务所需的完整信息环境。

这些信息包括历史记忆、工具调用结果、外部知识等，确保模型在多轮交互或复杂任务中持续稳定输出。

agent开发者需要系统性设计“模型思考的上下文”，涵盖信息检索、记忆管理、工具集成等，强调动态性和结构化。

上下文工程，往往涉及到多轮对话、智能体系统、实时数据整合等复杂场景。

开发者需管理多源信息（如RAG检索、API工具调用、对话历史）。

它的复杂度高，涉及动态上下文组装、信息压缩、记忆分层等技术。

提示词工程是上下文工程的子集。即使上下文完备，提示词的编排仍影响最终输出质量。

在智能客服中，上下文工程负责整合用户历史、产品手册，而提示词工程确保回复语气友好（如“请用礼貌语气回答”）。

在RAG系统中，检索模块（上下文工程）提供外部知识，提示词则明确要求模型“依据以下资料回答”。

未来提示词工程，仍是简单任务的入口。

而上下文工程向多模态（如图文结合）、自动化管理（如动态token分配）发展，成为复杂AI系统的核心。

---

原文链接：https://mp.weixin.qq.com/s/pWTiB-3AFjQjHG93KE7z4w

来源：XT