按：这是一篇关于 AI 业界范式转移的深度深度文章。它宣告了"提示工程（Prompt Engineering）"的过时，并提出了 2026 年的核心竞争力：上下文工程（Context Engineering）。
以下是全文的中文翻译，采用了专业且具洞察力的语气，适合开发者、产品经理及 AI 爱好者阅读。
作者：Nav Toor | 2026年3月24日 （这项技能将区分那些"使用 AI 的人"与"被 AI 取代的人"。）
在 2024 年中至 2025 年初之间，LinkedIn 上头衔包含"提示工程师"的个人资料减少了 40%。专门的提示词岗位招聘信息在 AI 相关职位中仅占 0.3% 的峰值，随后便跌至近乎为零。Gartner 预测，到今年年底，70% 的企业将采用 AI 驱动的提示词自动化技术。
那个曾被认为是"未来"的职业，仅仅持续了大约 18 个月。
取而代之的不是一个新头衔，而是一门新学科。这门学科大多数人尚未听说，但相关岗位的年薪已在 8.4 万至 23.5 万美元之间。Claude 背后的公司 Anthropic 甚至在 2025 年 9 月专门发布了一份完整的工程指南来阐述它。
它被称为上下文工程（Context Engineering）。它彻底改变了你与 AI 协作的方式。
这不是一篇蹭热点的文章。这是一次关于什么是上下文工程、它为何取代了提示工程、其实际运作机制，以及无论你是否写代码该如何从今天开始实践的深度解析。
{#section path-to-node="11"}
提示工程的本质及其局限
三年来，AI 行业向你推销了一个理念：写出更好的提示词（Prompts），就能获得更好的结果。
这个逻辑很简单：如果你以正确的方式提问、添加正确的关键词、使用正确的格式，AI 就会产生更好的输出。围绕这一点产生了一个庞大的产业：课程、认证、以及开出 30 万美元年薪招聘能给聊天机器人写指令的人。
这在一段时间内确实有效，尤其是对于简单任务。
但提示工程有一个谁也不愿提及的致命缺陷：它在每个会话中都会重置。
你写出了完美的提示词，得到了极好的结果，然后关闭了标签页。第二天你开启新会话，AI 忘掉了一切：你的偏好、你的写作风格、你的项目背景、你的质量标准。全部清零。你必须从头开始。一遍又一遍。
提示工程训练你不断地与同一个 AI 进行重复的对话。这不算技能，这叫"跑步机压力"。
而现在，这台跑步机停下了。
为什么提示工程走向消亡？
三个因素同时终结了它：
-
模型变得更聪明了： GPT-5.4、Claude Opus 4.6、Gemini 3.1——这些模型对自然语言的理解力极强，纠结于提示词语法变得毫无意义。你不再需要写"请扮演一位......专家"或"请一步步思考"。模型会自动完成这些。措辞的技巧已被模型自身自动化了。
-
任务变得更长了： 2023 年，大多数 AI 交互是单次任务：问一个问题，得一个答案。到了 2026 年，AI 代理（Agents）运行的是跨越数小时的多步工作流。它们读取文件、调用 API、编写代码、检查工作并进行迭代。单一的提示词无法管控一个包含 47 次工具调用的过程。 提示词成了千页书中的一句话，不再是核心。
-
职业被吸收了： LinkedIn 数据显示，在提示工程师头衔下降 40% 的同时，"AI 工作流设计"技能激增了 25%。工作没有消失，而是融入了软件开发、产品管理、数据分析和运营中。提示工程成了简历上的一个技能点，而非一份职业。
那些围绕"写提示词"构建身份认同的人，正在经历 1985 年打字机维修技师所经历的一幕：技能是真实的，但窗口期已经关闭。
{#section-1 path-to-node="25"}
什么是上下文工程？
上下文工程是指设计 AI 模型在生成响应之前所看到的一切的学科。
不只是提示词，而是[一切]{index-in-node="9" path-to-node="27"}。
这包括：系统指令、记忆文件、对话历史、工具定义、检索到的文档、API 输出、安全防护栏、用户画像、项目状态。即：进入模型上下文窗口（Context Window）的每一个 Token（字符元）。
Anthropic 的工程文档将其定义为："在 LLM 推理过程中策展并维护最佳 Token 集的策略。" 通俗地说：决定 AI 应该知道什么、何时知道、以什么格式知道——从而确保输出是可靠的，而不仅仅是靠运气。
-
如果提示工程关乎你如何提问；
-
那么上下文工程则关乎模型看到了什么。
前者是一个句子，后者是一套架构。
{#section-2 path-to-node="33"}
上下文工程的五个核心组件
每个上下文工程系统都有五个移动部件。缺失任何一个，系统都会退化。构建好这五个部分，AI 就能产出你可以直接署名的成果。
1. 系统指令 (System Instructions)
这是在每次交互前预加载的持久规则。它们告诉 AI 它是谁、如何表现、避开什么以及达到什么标准。这不是一次性提示，而是永久操作手册。
-
在 Claude Cowork 中，这是你的全局指令和上下文文件（如
about-me.md）。在 Claude Code 中，这是你的CLAUDE.md文件。 -
关键洞察： 系统指令在会话之间不会改变。你写一次，它们永远有效。
{#section-3 path-to-node="38"}
2. 记忆与状态 (Memory and State)
上下文工程将记忆视为基础设施，而非功能。
-
短期记忆是对话内的信息。
-
长期记忆是跨会话持久存在的信息。
-
状态是 AI 在多步流程中所处的位置。
-
没有记忆，每个会话都是从零开始；有了记忆，每个会话都从上一个会话结束的地方开始。
{#section-4 path-to-node="41"}
3. 工具与集成 (Tools and Integrations)
AI 模型本身只能读写文字。上下文工程给它装上了"手"。
-
工具是 AI 可以调用的函数：搜索网页、读取文件、查询数据库、发送邮件。
-
模型上下文协议 (MCP) 已成为标准。它允许 AI 访问 Gmail、Slack、GitHub、Notion 等系统。
-
工具的定义本身就是上下文的一部分。
{#section-5 path-to-node="44"}
4. 检索知识 (Retrieved Knowledge)
模型有训练截止日期，它不知道你公司的内部政策或昨天的销售数据。
-
这就是 RAG（检索增强生成） 的用武之地。在生成响应前，系统会从你的文档库或数据库中抓取相关信息放入上下文窗口。
-
这决定了 AI 是在胡言乱语，还是在引用你的实际数据进行分析。
{#section-6 path-to-node="47"}
5. 动态上下文装配 (Dynamic Context Assembly)
这是区分上下文工程与以往技术的关键：上下文会根据发生的状况动态改变。
-
静态系统每次加载相同信息；动态系统为不同任务装配不同的上下文。
-
问代码问题时，加载代码规范；问写作问题时，加载品牌调性文件。
-
按需披露：上下文是即时组装的，针对特定任务进行了优化。
{#section-7 path-to-node="51"}
现实世界的差异
提示工程方案： 你打开 ChatGPT，输入："给客户 John 写一封专业邮件，说 Q1 交付物要推迟两周，表现得抱歉但自信。"你得到了一封还可以的邮件，然后你花了 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（杠杆/平衡）"这个词。
上下文工程方案：
你打开 Claude。输入："写邮件给 John 说 Q1 延迟的事。"
Claude 已经通过 brand-voice 文件了解你的文风，通过项目背景知道 John 是优先客户，通过 Gmail 插件查看了最近三封邮件以匹配语气，通过技能文件了解公司沟通标准。它生成的邮件就像你亲笔写的一样。
修改时间：2 分钟，甚至 0 分钟。
{#section-8 path-to-node="55"}
职业影响：不容忽视的真相
Shopify CEO Tobi Lutke 在 2025 年发出的备忘录震惊了科技界：在雇佣任何人之前，经理必须证明 AI 无法胜任该工作。
2026 年 3 月，仅一个月内就有 4.5 万名科技从业者被裁。被裁掉的不是缺乏 AI 技能的人，而是将 AI 仅仅作为工具使用的人（即：对话、复制、粘贴、重复）。
上下文工程不仅是一项技术，更是一项职业生存技能。 那些以高薪招聘"上下文工程师"的公司，寻找的是能够设计架构的人——决定 AI 代理应该拥有什么信息、何时拥有以及如何使用。
{#section-9 path-to-node="60"}
如何从今天开始（无需代码）
- 建立三个上下文文件（30分钟）：
- `about-me.md`{index-in-node="0" path-to-node="61,0,1,0,0"}：你是谁、你的职责、你的优先级。
- `brand-voice.md`{index-in-node="0" path-to-node="61,0,1,1,0"}：你的写作调性、常用词、避讳词、范文。
- `working-rules.md`{index-in-node="0" path-to-node="61,0,1,2,0"}：你希望 AI 如何表现（例如：执行前先询问）。
-
构建你的第一个"技能"： 针对你重复率最高的任务，让 AI 帮你写出一套结构化的指令集。
-
连接工具： 连接你的邮箱、日历或云端文档，让 AI 拥有实时数据。
-
设置定时任务： 比如周一早上的简报自动生成。
-
每周优化： 当 AI 表现不佳时，问自己："这是提示词问题，还是上下文缺失？"
{#section-10 path-to-node="63"}
总结：复利鸿沟
提示工程师在第 1 周和第 50 周使用 AI 的方式是一样的，技能天花板就是一条消息的长度。
上下文工程师构建的是一套会"复利"的架构。 第 1 周的架构让第 2 周更好，第 8 周时初稿已无需修改，第 20 周时系统已积累了大量的机构知识，这是任何提示词都无法取代的。
提示工程是对话；上下文工程是基础设施。 一个每次重置，一个持续累积。
选择权在你手中，但这一次，机会窗口关闭的速度比上一次更快。
本文由 AI 生成，仅供参考，请仔细甄别，谨慎解读。
2026 系统架构演进：50个核心概念及规范 (2026版)
2026 开发者效能白皮书：四大 Coding Agent 深度架构评测与选型
从 PRD 到 Production：Claude Code PM 如何实现研发全链路自动化？
坎蒂隆效应 2.0：AI 生产力注入下的财富重构与技术阶级演算
常见问题（FAQ）
Q1：这篇文章主要讲什么？ 按：这是一篇关于 AI 业界范式转移的深度深度文章。它宣告了"提示工程（Prompt Engineering）"的过时，并提出了 2026 年的核心竞争力：上下文工程（Context Engineering）。 Q2：「{#section path-to-node="11"}」这部分主要讲了什么？ ### 提示工程的本质及其局限 {#提示工程的本质及其局限 path-to-node="11"} Q3：「提示工程的本质及其局限 {#提示工程的本质及其局限 path-to-node="11"}」这部分主要讲了什么？ 三年来，AI 行业向你推销了一个理念：写出更好的提示词（Prompts），就能获得更好的结果。 Q4：「为什么提示工程走向消亡？ {#为什么提示工程走向消亡 path-to-node="20"}」这部分主要讲了什么？ Q5：「{#section-1 path-to-node="25"}」这部分主要讲了什么？ ### 什么是上下文工程？
