如何精通 Context Engineering 並構建真正理解你的 AI 系統（完整課程）

大多數人以為，要從 AI 獲得更好的結果，關鍵在於寫出更好的提示詞。

把這篇存起來 :)

他們花好幾個小時琢磨完美的句子。加上「扮演資深專家」。補上「逐步思考」。調整一個詞，再跑一次，再調另一個詞，再跑一次。

結果幾乎沒變。

原因在這裡。

提示工程是語法。情境工程是基礎設施。而基礎設施每次都贏過語法。

那些真正打造出有效 AI 系統的人——系統能記住你的偏好、存取你的資料、一致遵循你的規則、日復一日產出可靠結果——他們不是在寫更好的提示詞。

他們是在設計更好的情境。

情境工程，就是設計、結構化和管理 AI 模型在產生回應時所能存取的精確資訊。它是提示詞周圍的一切：它能讀取的檔案、它從先前對話帶來的記憶、它能使用的工具、塑造它行為的限制條件、以及校準它輸出的範例。

一個措辭完美的提示詞，放在設計不良的情境裡，每次只會產出平庸的結果。

一個基本的提示詞，放在完美設計的情境裡，每次都能產出卓越的結果。

這就是大多數人完全忽略的關鍵轉變。

這篇文章就是完整的課程。六週。從理解情境工程到底是什麼，到打造能超越你在聊天視窗中獲得任何成果的生產級 AI 系統。

第 1 週：理解為什麼光靠提示詞永遠不夠

純提示詞思維的問題

當你在 Claude 中輸入訊息時，模型看到的並不只是你的訊息。它看到的是情境視窗中的所有內容：系統提示詞、任何上傳的文件、對話歷史、工具定義，以及你最新的訊息——全部一起處理。

你的提示詞只是一個食材。情境是整個廚房。

大多數人執著於食材，卻完全忽略廚房。他們寫出漂亮的提示詞，然後貼進一個空白對話，完全沒有情境。接著納悶為什麼輸出感覺很籠統。

感覺籠統，是因為模型沒有任何可以個人化的依據。它不知道你的工作、你的受眾、你的標準、你之前的決定、或你的目標。它等於在盲目工作。而一個盲目的模型，只會預設產出最平均、最籠統、最安全的回應。

情境工程透過給模型一雙眼睛來解決這個問題。

情境的三個層次

每一次 AI 互動都有三個情境層次，而大多數人只用到一個。

第一層是即時情境。也就是你的提示詞：你問的問題、你給的指令、你要求的格式。99% 的人只到這裡就停了。

第二層是對話情境。這是模型在單一對話中知道的一切：上傳的檔案、對話歷史、系統指令。大多數人會部分使用，但不會刻意設計它。

第三層是持久情境。這是跨對話攜帶的知識：記憶系統、情境檔案、知識庫、儲存的偏好。幾乎沒有人正確使用這一層，而這正是槓桿效應最大的地方。

本週該做的事

• 審視你最近十次 AI 互動，辨識你用了哪些情境層次
• 閱讀 Anthropic 關於系統提示詞、情境視窗和記憶的文件
• 建立你的第一個情境文件：一個描述你是誰、你做什麼、你的受眾、你的標準和你的偏好的檔案
• 用同一個提示詞，分別在有和沒有情境文件的情況下測試，比較結果
• 開始建立個人情境庫，為不同類型的工作儲存可重複使用的情境

第 2 週：設計你的情境架構

別再每次都像第一次對話

AI 輔助工作中最大的生產力漏洞，就是每次對話都要重新解釋自己。

每次你打開新對話，輸入「我是一名行銷顧問，服務 B2B 領域的 SaaS 新創公司，我的受眾是創辦人和 CMO，我寫作風格是直接的口吻……」你就在浪費兩分鐘，而且每次因為措辭略有不同，得到的結果也略有不同。

情境架構能永久解決這個問題。

你一次建好，隨著時間逐步優化。然後每次對話開始時，模型已經知道它需要知道的一切。

每個專業人士需要的四個檔案

你的身份檔案。你是誰、你做什麼、你的專業、你的背景、你的溝通風格。這是你的 AI 的「入職文件」。

你的受眾檔案。你為誰創作。他們的 demographics、心理特徵、知識水平、痛點、目標，以及他們使用的語言。這確保每次輸出都有針對性，而不是籠統的。

你的標準檔案。什麼是好的表現。你的品質標準、你的格式偏好、你的語氣指南、你的反模式、你認為優秀和糟糕工作的範例。這是你的品質控制系統。

你的專案檔案。你目前正在做什麼。當前目標、進行中的專案、最近的決定、待解決的問題、截止日期。這是每週或每月會變動的動態層。

在每次對話開始時載入這四個檔案，模型就會從一個通用助手，轉變為一個已經了解你世界的情境感知協作者。

本週該做的事

• 撰寫全部四個情境檔案：身份、受眾、標準、專案
• 每個檔案保持在 2000 字以內，以便輕鬆放入情境視窗
• 用這四個檔案設定，測試三種不同類型的工作：寫作、分析、腦力激盪
• 將輸出品質與之前沒有情境檔案的對話進行比較
• 根據輸出仍不盡理想的地方，優化每個檔案

第 3 週：掌握動態情境載入

不是每個任務都需要相同的情境

把整個知識庫載入每次對話，不僅浪費 token，還會降低效能。當情境視窗被不相關的資訊淹沒時，模型的注意力會被稀釋。它試圖使用所有東西，結果什麼都沒用好。

動態情境載入的意思是，只給模型當前特定任務所需的精確資訊。不是你所有知識，只是當下重要的部分。

想想人類專家是怎麼工作的。外科醫生不會在每次手術前複習所有醫學教科書。他們只複習特定病人的檔案、特定手術的筆記、以及特定的影像結果。他們載入相關情境，而不是所有情境。

你的 AI 系統也應該這樣運作。

如何設計情境載入規則

對於每種重複出現的工作類型，定義要載入哪些情境檔案。

寫作任務：載入身份檔案、受眾檔案、標準檔案，再加上該格式中你表現最好的內容範例。

分析任務：載入身份檔案和專案檔案，再加上原始資料和之前對同一主題的分析。

研究任務：載入專案檔案，再加上你的研究方法文件，以及任何你想讓模型參考的現有研究。

策略任務：載入全部四個檔案，再加上你的競爭格局文件和相關行業數據。

透過預先定義這些載入規則，每次對話開始時都載入了完全正確的情境。不再猜測，不再過度載入，也不再載入不足。

本週該做的事

• 列出你最常見的五種 AI 輔助工作類型
• 針對每種類型，精確定義應載入哪些情境檔案
• 建立一個簡單的文件，將每種工作類型對應到其情境載入規則
• 測試每種配置，確認輸出比載入所有檔案時有所改善
• 養成在開始任何對話前，有意識地選擇情境的習慣

第 4 週：建立跨對話的記憶系統

記憶問題不是 bug，而是你沒用到的功能

每次與 Claude 的對話都是從頭開始。模型不記得你昨天、上週或上個月討論過什麼。

大多數人把這視為限制。最聰明的人則把它視為設計機會。

當你建立記憶系統時，你就能精確控制模型記住什麼。你策劃情境，移除過時資訊，加入新學到的東西。你有意地塑造模型的知識庫，而不是讓它隨機累積。

人類員工會記住一切，包括他們的壞習慣、過時的假設和錯誤的解讀。而擁有設計記憶系統的 AI，只會記住你想讓它記住的東西，並根據你最新的想法更新。

三種 AI 記憶方法

手動記憶文件。最簡單的方法。你維護一個持續更新的文件，記錄關鍵決定、學到的東西、偏好和專案歷史。每次對話開始時，把相關部分貼進對話中。這適用於個人和小規模工作。

結構化知識庫。中級方法。你建立一個有組織的 markdown 檔案系統，放在資料夾結構中。Obsidian 是理想的工具。你按專案、主題或領域分類資訊。需要特定情境時，就載入特定檔案。Claude Code 可以直接從你的檔案系統讀取這些檔案。

向量資料庫與 RAG。進階方法。你將文件嵌入向量資料庫，建立一個檢索系統，能自動找到並載入與任何查詢最相關的情境。這可以擴展到數千份文件，也是生產級 AI 系統使用的做法。

從手動記憶文件開始。當你有超過 20 個情境文件時，升級到結構化知識庫。當你的知識庫超出你能手動管理的範圍時，再轉向向量資料庫。

本週該做的事

• 建立你的第一個記憶文件：一個持續記錄 AI 輔助工作中的關鍵決定、學到的東西和偏好的日誌
• 設定一個 Obsidian 筆記庫或簡單的資料夾結構，按專案和主題組織
• 在同一個專案的三次連續對話開始時，練習載入記憶情境
• 注意當模型能存取你累積的情境時，輸出品質如何變化
• 建立每週更新記憶文件的習慣，加入新學到的東西

第 5 週：透過 MCP 將情境連接到工具

沒有工具的情境，就像沒有手的知識

你可以給 AI 模型關於你業務的完美情境。它可以知道你的受眾、你的標準、你的專案，以及你所有的決策歷史。

但如果它無法存取你的數據、查詢你的資料庫、搜尋網路、讀取你的電子郵件、或與你的工具互動，它仍然只是一個資訊豐富的文字生成器。

MCP（模型情境協定）正是讓你的情境豐富的 AI 模型能夠根據所知採取行動的關鍵。

當你將深度情境與 MCP 工具存取結合時，模型就不再只是顧問，而是操作者。它不僅知道你的週報應該包含什麼內容，它還會拉取數據、計算數字、格式化報告，並儲存到你的雲端硬碟。

情境-MCP 整合模式

產生最佳結果的模式是：情境優先，工具其次。

你的系統提示詞建立情境：模型是誰、它知道什麼、它遵循什麼標準、它當前的優先事項是什麼。

你的 MCP 伺服器提供能力：網路搜尋、檔案存取、資料庫查詢、API 整合、電子郵件存取、日曆存取。

你的任務提示詞將它們結合起來：「根據你對我們 Q2 目標和競爭格局的了解，拉取最新的市場數據，與我們的內部指標進行比較，並產出一份每週策略簡報。」

情境告訴模型「為什麼」和「做什麼」。工具告訴模型「怎麼做」。任務告訴模型「何時」和「在哪裡」。

本週該做的事

• 找出你的 AI 工作流程需要存取哪些外部工具和數據來源
• 設定你的第一個 MCP 伺服器，從網路搜尋或檔案存取開始
• 建立一個完整的工作流程，結合你的情境檔案和 MCP 工具存取
• 端到端測試該工作流程，找出情境和工具需要更好整合的地方
• 記錄該工作流程，以便複製和優化

第 6 週：建立生產系統並擴大規模

從個人生產力到專業基礎設施

過去五週你建立的一切，都是一套個人情境工程系統。它讓你個人變得更快、更一致、更有效地使用 AI。

下一步是為他人建立情境工程系統。

企業需要 AI 系統，這些系統要了解它們特定的領域、遵循它們特定的規則、存取它們特定的數據、並產出符合它們特定標準的輸出。這就是包裝成產品或服務的情境工程。

能夠走進一家公司，審計其 AI 工作流程，設計情境架構，實施記憶系統，連接 MCP 工具，並交付一個生產級 AI 系統的人，正是目前企業願意為每個專案支付 5,000 到 25,000 美元的人。

這項技能的需求增長速度遠超過供給。而且未來幾年還會持續增長，因為情境工程不是一時的趨勢。它是讓每個 AI 應用都能運作得更好的基礎設施層。

本週該做的事

• 將你的情境工程系統打包成可重複使用的框架
• 記錄你的四個檔案情境架構、載入規則、記憶系統和 MCP 整合
• 為你工作之外的真實使用案例，建立一個完整的情境工程系統
• 公開分享你的框架，開始將自己定位為「建立 AI 系統的人」，而不是「寫提示詞的人」
• 找出三家可以從情境工程中受益的企業，開始對話

改變一切的轉變

大多數人會繼續寫更好的提示詞。

他們會繼續尋找神奇的詞語。他們會繼續調整句子。他們會繼續獲得漸進式的改善，同時納悶為什麼其他人能獲得變革性的結果。

差別不在於提示詞。

差別在於提示詞周圍的情境。

設計情境。架構系統。建立記憶。連接工具。結構化資訊。塑造環境。

做到這些，你寫的每一個提示詞都會產出純提示詞思維者無論如何完美措辭都無法複製的結果。

提示工程是 2024 年的技能。

情境工程是 2026 年及以後的技能。

如果你覺得這篇文章有用，請追蹤我 @eng_khairallah1 以獲得更多這類 AI 內容。我每週都會分享解析、課程和工具。

希望這對你有幫助，Khairallah ❤️