上一篇我们谈了 AI 的知识边界：它读过很多公开资料，却不等于知道当下世界的一切；它能快速组织答案，却会受知识截止、来源质量和上下文不足影响。知道这些之后，下一步就很自然了：如果想让 AI 真正帮上忙，我们不能只把问题丢过去，还要学会给它准备材料。
这就是“上下文工程”。
所谓上下文工程，听起来像一个很技术的词，实际讲的是一件朴素的事：把任务背景、目标、材料、约束、受众和输出要求交代清楚。AI 像一位聪明但不熟悉你处境的同事，你给它的信息越具体、越相关，它越能产出可用结果；你只给一句含糊的要求，它多半只能用模板补空。
一、巧妇难为无米之炊：短提示为什么常常得到空话
很多人第一次用 AI 写东西，喜欢直接说：“帮我写一份年终总结。”AI 很快就能写出一篇：开头感谢团队，中间罗列成长，结尾展望未来。看起来完整，读起来顺滑，但你仔细一看，会发现它和你这一年做过什么关系不大。
原因很简单：巧妇难为无米之炊。它不知道你的岗位，不知道你做过哪些项目，不知道哪些成果最重要，不知道这份总结是给直属领导还是未来面试官看。信息缺失时，AI 只会用最常见的表达方式去生成。
同样的问题也会出现在求职信、学习规划和商业方案里。你说“帮我写求职信”，AI 不知道岗位 JD、你的经历、公司业务和你想突出的能力。不是 AI 不会写，而是你没有把它写好所需的材料交给它。
所以，提示词质量的核心不在于词句是否漂亮，而在于信息是否充分。输出质量的上限，往往由输入质量决定。当你只给一句短提示，AI 只能交出一份“像样”的结果；当你给出具体背景、真实材料和明确要求，它才有机会交出一份“像你”的结果。
二、凡事预则立：上下文到底是什么
《礼记》：“凡事预则立，不预则废。”与 AI 协作也是如此。所谓上下文，就是 AI 在生成回答时可以使用的全部信息。
它不只是你当前输入的那一句话，还包括你上传的文件、图片、表格、音频，也包括当前对话里前面说过的话。有些工具还可以读取指定文件夹、网页、代码仓库或系统环境，这些也会成为上下文的一部分。简单说，凡是 AI 能拿来理解任务的信息，都属于上下文。
这也是 AI 和传统搜索框很不一样的地方。搜索框通常只处理几个关键词，而 AI 可以把一段对话、几份文件、几张截图和一组约束放在一起理解。
人的工作记忆很有限，购物清单一多就容易漏；AI 的上下文窗口却能容纳很长的材料，这让它适合做跨文件整理和综合分析。比如你想在物理和动物学两个专业之间做选择，单问“学物理还是动物学更好”，答案一定泛泛而谈；但如果你补充自己的课程成绩、兴趣测评、未来职业偏好、家庭预算和所在学校课程安排，AI 才能给出更贴近你的分析。
不过，上下文不是越多越好。真正有用的是足够且相关的信息。把所有材料一股脑塞进去，可能让 AI 迷失重点；只给一句口号，又会让它无从下手。
好的上下文，像给顾问准备材料：既不能藏着关键信息，也不能用无关细节淹没问题。
三、博学之，审问之：好上下文的三个标准
《中庸》：“博学之，审问之，慎思之，明辨之，笃行之”。给 AI 准备上下文，也需要这几层功夫。这里先抓最实用的三个标准：相关、具体、可验证。
第一，相关。只提供和任务直接有关的信息。无关材料会污染答案。比如你前面一直在和 AI 讨论自己的健身计划，包括体重、训练习惯和伤病情况，接着突然说“帮我妈妈也做一个计划”，AI 可能会把你的信息误带进去。这个时候，最好明确说明对象变了，或者直接开新对话。
第二，具体。少说“帮我优化”，多说“优化给谁看、用于什么场景、希望达到什么效果”。比如这句就比“改一下求职信”好得多：
请把这段求职信改得更适合投递数据分析岗位，语气专业但不要夸张，突出我做过的销售数据看板项目。
第三，可验证。尽量提供事实、数据、原文，而不是只提供感受。你让 AI 分析租房合同，上传合同原文一定比口头描述更可靠；你让它做家庭预算，提供真实账单分类一定比说“我感觉最近花钱有点多”更有用。
这三个标准可以合成一句话：给 AI 的不是情绪化愿望，而是可使用的材料。材料越清楚，AI 越能把能力用在解决问题上，而不是用在猜测你的真实需求上。
四、满招损，谦受益：上下文也会污染答案
上下文有用，但也有副作用。AI 会把当前对话里的信息当作背景继续使用，这在同一个任务中是优势，在切换任务时却可能变成干扰。
长对话很适合持续迭代同一件事。比如你让 AI 帮你写一篇文章，先讨论主题，再改大纲，再扩写段落，再调整语气，这些前文都会成为后续修改的依据。它会逐渐“知道”你偏好什么，不喜欢什么，哪些例子已经用过，哪些观点需要保留。
但如果话题变了，旧上下文就可能污染新任务。你刚让 AI 给自己做理财计划，里面有收入、风险偏好和贷款情况，接着又问“帮我爸妈规划养老资产”，如果不说明对象变了，它可能会混用前面的信息。你刚给 A 公司写完求职信，又在同一对话里给 B 公司写，如果不明确区分，两份材料也可能串味。
因此，管理上下文要有一个简单习惯：同一任务可以长聊，新任务最好重开。尤其是涉及财务、健康、法律、合同、求职这类高风险或高度个人化的任务时，要么开新对话，要么明确告诉 AI：“忽略前面的个人背景，下面是一个新对象。”
会用上下文，不只是会加材料，也包括知道什么时候该清空材料。
五、君子慎其所与：从手动喂资料到 Agent 自动找资料
过去使用 AI，多数时候是用户手动喂资料：复制一段文字，上传一个文件，说明几条背景。现在，越来越多桌面 AI 和 Agent 工具可以主动读取文件夹、浏览项目资料、整理目录、生成计划，甚至执行写入、移动、重命名等文件操作。
这是一种很重要的变化。传统聊天模式里，上下文主要由你选择；Agent 模式里，AI 可以按任务需要自己去找资料。比如你说“帮我整理这个研究资料文件夹”，它可能先查看文件类型，再按主题、时间或项目阶段提出分类方案。你说“帮我安排本周拍摄计划”，它可能读取拍摄说明、成员日程、场地信息，再整理出执行表。
能力变强之后，风险也会变强。读取文件意味着它可能看到敏感信息；写入和移动文件意味着它可能真的改变你的工作区；删除、覆盖、批量重命名，更是可能造成难以恢复的损失。有些工具的文件操作不一定经过回收站，也不一定有完整版本历史，所以不能把 Agent 的执行权限当成普通聊天权限来看。
所以，Agent 场景下要守住三条原则：
-
只给必要文件夹权限，不要轻易开放整个系统目录。
-
先让 AI 提出方案，不要一上来直接执行。
-
涉及删除、覆盖、批量修改的操作，必须人工确认。
换句话说，AI 可以替你找材料、整理材料、处理材料，但授权边界必须由人来定。让它做助手，不要让它在你没看清方案之前接管现场。
六、言之有物：一个通用提示模板
讲到这里，可以把上下文工程简化成一个通用模板。当然，它不是什么万能咒语，而是一张检查清单，帮助你在提问前把事情交代明白。
背景：我正在……
目标：我希望得到……
材料：请参考……
受众：这份输出给……
约束：不要……必须……
输出格式：请用……
评价标准：请重点考虑……
比如你要让 AI 帮你改一份求职信，可以这样写：
背景：我正在申请一家 SaaS 公司的数据分析岗位。
目标：请帮我优化求职信，让它更突出岗位匹配度。
材料：下面是岗位 JD 和我的原始求职信。
受众：招聘经理和未来直属主管。
约束：不要夸大经历，不要使用空泛形容词。
输出格式：先指出 3 个主要问题，再给出修改版。
评价标准：重点看是否突出数据分析能力、业务理解和项目成果。
这个模板的价值，不在于每次都要完整填写七项，而在于提醒你：提示词的本质不是把话说得玄，而是把事情交代明白。背景不清，AI 就只能猜；目标不清，AI 就只能泛泛而谈；评价标准不清，AI 就不知道什么叫“好”。
上下文准备得越好，后面的生成、推理、修改和评估越省力。到了下一篇，我们就可以在这些上下文的基础上，把 AI 从“回答问题的人”进一步变成“参与思考的人”。
