什么是 Context Engineering？
Context Engineering（上下文工程）是指在 AI 驱动的应用（如 AI IDE、Agent）中，通过静态规则配置（如 `.cursorrules`）、动态检索（如 RAG）、符号链接（如 `@file`）等手段，精确地向大模型提供其完成当前任务所需且仅需的背景信息的过程。
快速了解
| 创建时间 | 伴随长上下文 LLM 和 AI IDE 的普及而兴起 |
|---|
工作原理
随着大语言模型（LLM）能力的提升，“如何让 AI 写代码”已经从简单的 Prompt Engineering 演变为更复杂的 Context Engineering。因为在一个庞大的企业级项目中，AI 失败的原因往往不是“不聪明”，而是“不知道”。上下文工程的目的是解决两个极端问题：一是“上下文饥饿（Context Starvation）”，即 AI 缺少关键的依赖库定义或架构规范导致幻觉；二是“上下文超载（Context Overload）”，即一次性塞入过多无关代码，导致大模型在长文本中丢失关键信息（Lost in the Middle），甚至超出 Token 限制。优秀的上下文工程能够像一位经验丰富的架构师一样，在分配任务前，精准地为执行者准备好相关的文档、接口定义和代码片段。
主要特点
- 精准组装：只提供任务强相关的代码和文档
- 动态与静态结合：结合静态的 `.rules` 规则和动态的 RAG 检索
- 消除幻觉：通过提供真实的代码定义，极大降低 LLM 编造不存在 API 的概率
- Token 优化：通过精简上下文（如只提取函数签名）节省成本并提升响应速度
- 系统化思维：超越单次的“聊天”，建立可复用的自动化工作流
常见用途
- AI IDE 辅助编程：在 Cursor 或 Trae 中通过 `@` 符号精准引入文件
- 复杂代码库重构：为 AI 提供旧代码逻辑和新架构规范的上下文对比
- 自动化测试生成：引入目标函数及项目中现有的测试用例规范作为参考
- 知识库问答：通过高级 RAG 策略为用户的提问构建包含图谱、表格的多模态上下文
- Agentic Workflow：在 Multi-Agent 系统中，在不同 Agent 之间传递精简且准确的状态信息
示例
Loading code...常见问题
上下文工程和提示词工程（Prompt Engineering）有什么区别？
提示词工程更侧重于“如何提问”（如语气、角色设定、思维链），而上下文工程更侧重于“提供什么资料”。在复杂的工程任务中，再好的提示词也无法弥补关键业务逻辑或依赖定义的缺失。
如何防止上下文超载？
1) 避免一次性引入整个大文件，只引入需要的函数或类；2) 对于大型 JSON 或配置，先将其转化为紧凑的 TypeScript Interface；3) 善用 AI IDE 的代码块高亮引用功能。
什么是 .cursorrules 或 .trae/rules？
它们是用于定义项目级静态上下文的文件。开发者可以在其中写入团队的编码规范、常用库版本、甚至架构原则。AI IDE 会在每次生成代码时自动读取这些规则作为全局上下文。