Context Engineering：下一个主要的工程能力

Prompt Engineering 已经是基础了。下一个层次是 Context Engineering——不只是你怎么写 prompt，而是你给 AI 提供什么上下文、在什么时机提供、以什么形式提供。

Context 的三个维度：

1. 内容（What）

什么信息进入 context window？

差：把所有相关文件都塞进去
好：只提供和当前任务直接相关的信息

差：粘贴整个数据库 schema（50 张表）
好：只提供涉及的 3 张表的定义

2. 顺序（Order）

信息的顺序影响 Claude 的关注点。

# 低效顺序
背景介绍 → 技术细节 → 你的实际问题

# 高效顺序  
你的实际问题 → 必要约束 → 相关上下文

"先说你要什么，再说背景"比"铺垫完才说问题"效果好得多。

3. 时机（When）

什么时候刷新 context？

# 场景：代码库有大量改动后

# 坏：继续在旧 session 里工作（context 里的文件内容已经过时）
claude "修改 user.go 里的 GetUser 函数"

# 好：开新 session，重新加载
claude "读 src/user.go，然后修改 GetUser 函数..."

Context 工程的具体实践：

精准注入（Surgical Injection）

# 不好：希望 Claude 自己找到相关文件
claude "修复支付失败的 bug"

# 好：直接告诉它需要什么
claude "修复支付失败的 bug。
相关文件：
- src/services/payment.go（支付逻辑，重点看 L120-180）
- src/models/transaction.go（事务状态定义）
错误日志：$(tail -50 /var/log/payment.log)"

动态 Context 构建

def build_context(task: str, repo_path: str) -> str:
    """根据任务动态构建最小必要 context"""
    
    # 1. 解析任务，找出涉及的实体
    entities = extract_entities(task)
    
    # 2. 只加载相关文件
    relevant_files = find_relevant_files(entities, repo_path)
    
    # 3. 只截取关键部分（不是整个文件）
    context_chunks = [
        extract_relevant_section(f, entities)
        for f in relevant_files
    ]
    
    return "\n\n".join(context_chunks)

Context 压缩

当 context 过长，用 Claude 自己来压缩：

claude "把这段技术文档（doc.md）压缩成一个简洁的参考卡片，
保留：接口定义、关键约束、常见用法
删除：历史背景、详细解释、示例代码以外的内容
目标长度：原来的 20%"

然后把压缩后的版本放进下一个 session 的 context。

衡量 Context 效率

好的 context 的标志： - Claude 直接开始解决问题，不问澄清问题 - 生成的代码符合项目现有风格 - 不产生不相关的"改进建议"

差的 context 的标志： - Claude 反复问"你用的是什么框架？" - 生成的代码风格和现有代码不一致 - 在你没要求的地方做改动

Context Engineering 是 AI 工程化的核心能力，也是区分"用过 Claude"和"真正会用 Claude"的分水岭。