先说一个扎心的观察：国内技术社区还在热传「提示词工程师月薪3万」「20个万能Prompt模板」的时候，海外AI圈已经为「prompt engineering是不是该进坟墓」整整吵了一年多。这场论战的级别不低——Andrej Karpathy亲自下场换了词，Shopify CEO在内部备忘录里跟进，Anthropic官方工程博客直接写了篇方法论文章定调，连「长上下文吊打一切」的营销话术都被一份实测报告打脸。
信息差在哪？在于这场论战吵完之后，海外一线团队沉淀出一套「上下文工程（context engineering）」的实操共识——它不是换了个新词继续卖课，而是一套实打实影响模型效果和账单金额的系统工程方法。今天这篇文章，帮你把这场论战的来龙去脉、三派立场、可抄的作业一次讲清。
把时间拨回2023年初。ChatGPT刚爆火，Anthropic挂出一份招聘：Prompt Engineer and Librarian，年薪25万到37.5万美元，媒体标题清一色写着「最高33.5万美元年薪、不需要写代码」。一时间，提示词工程成了AI时代的翻译官职业，国内各种「提示词认证课」也跟着收割了一波。
转折发生在两年后。2025年年中，前特斯拉AI总监、OpenAI创始成员Karpathy在X上明确表态：比起prompt engineering，他更愿意叫它context engineering。他的理由很尖锐——「prompt」这个词暗示的是一种一次性、静态、精确描述的咒语，但实际上给Agent准备输入是一件动态得多的事：每一轮循环都要重新组装上下文，包括系统指令、工具定义、检索来的文档、记忆文件、历史消息裁剪……这更像「为模型写一份随时在变的简报」，而不是「念一句咒语」。这个词并非他首创，但由他带火之后，一周之内成了行业热词。
紧接着，Shopify CEO Tobi Lütke一份内部备忘录流出（就是那份要求「全员把AI使用当作baseline」的著名备忘录），里面同样把上下文工程列为基本功。Simon Willison（Django联合创始人、现在AI圈最有影响力的独立博主之一）也发文支持：这个词比prompt engineering更准确，因为它点出了真正的稀缺资源——模型的注意力。
最后压秤的是Anthropic自己。2025年9月末，Anthropic工程博客发了那篇《Effective context engineering for AI agents》，等于官方盖章：提示词调优只是小事，上下文才是有限资源，要像管理内存和CPU预算一样管理它。一家靠卖模型赚钱的公司亲自下场教你怎么省着用上下文，这个信号本身就值得琢磨。
论战第一回合是纯粹的嘴仗，海外社区大致分成三派：
正名派（Karpathy、Willison、Anthropic为代表）：这不是文字游戏。提示词工程解决的是「怎么说」，上下文工程解决的是「给模型看什么、不给它看什么、什么时机给」。前者是话术，后者是架构。
换牌派（HN和Reddit上的主流嘲讽声音）：翻翻Hacker News的评论区，高赞冷嘲热讽一抓一把——「这不就是我们干了二十年的需求分析和信息检索吗」「AI行业每六个月就要发明一个新词，好让咨询顾问有东西可卖」。这派人的核心论点：RAG、记忆管理、工具编排，哪个都是老东西，套个新壳而已。
实践派（一线开发团队）：吵什么名字无所谓，但这波讨论逼大家把散落的经验系统化了——以前各干各的trick，现在有了一张统一的checklist，能对照着优化自己的Agent。
我的看法：换牌派说对了一半。概念确实不新，但「统一术语」在工程界从来不是小事——有了共同语言，最佳实践才能被写成文档、搬进面试题、做成工具的默认配置。Anthropic那篇博客就是明证。
三派立场用一张图看更清楚：
flowchart TD
A["术语论战<br/>三派立场"] --> B["正名派<br/>上下文是稀缺资源"]
A --> C["换牌派<br/>新瓶装旧酒"]
A --> D["实践派<br/>要吵你们吵<br/>我先抄checklist"]
B --> E["代表<br/>Karpathy等"]
C --> F["阵地<br/>HN评论区"]
D --> G["产出<br/>统一方法论"]
如果说出造新词只是热身，那真正刺刀见红的是第二场：长上下文到底靠不靠谱。
这两年模型厂商发布会都在卷一个数字——上下文窗口。100万token起步，200万不稀奇，营销叙事很简单：窗口越大，模型「记忆力」越好，RAG都不用搭了，把整个代码库塞进去就完事。
2025年7月，向量数据库公司Chroma发布了一份实测报告《Context Rot》（上下文腐烂），给这股风潮泼了盆冷水。他们测了18个模型，用几组「大海捞针」的变体任务反复实验，结论很不给面子：
这份报告在社区炸出一堆「我说怎么不对劲」的跟帖。有人翻出自己的翻车案例：塞了整本文档让模型总结，它偏偏漏掉中间那章；给Agent喂了五十条工具返回结果，它把前面30条的事实记串了。当然也有反驳声音：一些工程师认为测试任务设计偏刁钻，真实场景不至于这么惨；厂商阵营则基本沉默。
对这派论战，我的判断是：窗口虚标和实际可用性之间的落差是真实存在的，这跟你买了1TB硬盘发现系统盘只剩一半能用的道理类似。衰减幅度可以争论，「堆得越多越聪明」这个营销叙事被打折是确定的。这也解释了为什么Anthropic的方法论里，第一条原则就是把上下文当预算花，而不是当大海捞。
前两场是嘴仗和实证仗，第三场直接影响你每天的工具使用体验：上下文管理的活儿，到底谁干？
方案A：人工显式工程。 这派的打法就是Anthropic那篇博客的干货，核心三招：
/compact就是这个机制的入口；NOTES.md之类的文件，需要时再读回来。上下文是易失内存，文件系统才是硬盘。这招听着朴素，实测对跨会话连续性提升巨大；方案B：模型自动管理。 这派认为人会累会偷懒，压缩和裁剪应该由模型或框架自动完成。各家IDE工具和Agent框架都在往这个方向卷，记忆类基础设施（向量库+记忆层）这条赛道去年融资不断。
分歧点在于：自动压缩可能在关键细节上「手抖」——压掉的那句话恰好是下一轮要用的约束条件，这种事故在社区里抱怨不少。目前海外的实操共识比较务实：关键决策和约束一定要人肉落到文件里，别指望模型自动记住。
用一张图把这套工程拼图串起来：
flowchart TD
A["上下文工程<br/>四大件"] --> B["稳定前缀<br/>系统提示词"]
A --> C["按需检索<br/>用完即弃"]
A --> D["笔记外置<br/>NOTES.md"]
A --> E["会话压缩<br/>compaction"]
B --> F["前缀稳定<br/>缓存才命中"]
C --> G["工具结果<br/>裁剪后再喂"]
D --> H["关键约束<br/>人肉落盘"]
E --> I["长会话<br/>摘要后开新局"]
别以为这是纯理论撕逼，上下文工程是少数能直接从账单上看出来的论战。两个硬数字：
海外一线团队现在流行一句话：上下文工程做得好，模型可以降一档用。原来要旗舰模型才能稳住的任务，把上下文收拾干净后中档模型就够了，费用直接腰斩再腰斩。
| 维度 | 你以为的（国内主流叙事） | 海外吵完的共识 |
|---|---|---|
| 提示词工程 | 高薪新职业，模板是核心资产 | 话术层，正被上下文工程吞并 |
| 上下文窗口 | 越大越好，塞满就赢 | 理论容量≠可用内存，堆多了会「腐烂」 |
| 长会话管理 | 模型自己会记 | 关键约束必须人肉外置到文件 |
| 记忆方案 | 上了向量库就万事大吉 | 文件+结构化笔记是性价比之王 |
| 账单优化 | 换便宜模型 | 上下文收拾干净，便宜模型也能打 |
| 职业方向 | 背模板、刷提示词比赛 | 系统工程能力：检索+缓存+压缩+编排 |
这场论战最有意思的地方，是它揭示了一个规律：AI行业的稀缺资源正在迁移。2023年稀缺的是「会写咒语的人」，2024年稀缺的是算力，2025年之后，稀缺的是「给模型组织信息」的能力——模型本身越来越 commodity，但「喂什么」这件事永远和具体业务绑定，这是不可外包的经验。
换个视角：上下文工程之于模型，就像内存管理之于操作系统。没有一个程序员会因为「编译器越来越聪明」而丢掉内存管理的饭碗——恰恰相反，越智能的系统，越需要有人懂它的资源边界在哪里。海外这场吵翻一整年的论战，本质上是在给新基础设施补一门老课程。
国内社区现在补这门课正是时候：等到Agent真正大规模进企业生产环境，上下文架构师这类角色会是第一个被规模化招聘的「新瓶」岗位。到时候再学，信息差就没了。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。