Nav Toor 最近写了一篇很有分量的文章，标题直接点明了一个正在发生的行业转向：Context Engineering 正在取代 Prompt Engineering，成为区分 5 万美元年薪和 50 万美元年薪开发者的关键技能。这篇文章的信息密度很高，从行业数据到技术架构再到实操路径都讲得很透，值得仔细拆解。

1、提示工程为什么死了

先说一组数据。LinkedIn 上标注“Prompt Engineer”头衔的个人资料，从 2024 年中到 2025 年初下降了 40%。专门招聘提示工程师的岗位在所有 AI 相关职位中的占比，峰值时也只有 0.3%，之后就一路走平接近归零。Gartner 预测到今年年底，70% 的企业会使用 AI 驱动的提示自动化。

一个号称是未来的职业，大概只活了十八个月。

Nav Toor 分析了三个同时发生的致命打击。

第一，模型自己变聪明了。GPT-5.4、Claude Opus 4.6、Gemini 3.1 这些模型对自然语言的理解能力已经强到你不需要再写“请扮演一个专家”或者“请一步一步思考”这类提示词了，模型自己就会这么做。精心措辞的技巧被模型本身的能力给自动化了。

第二，任务变长了。2023 年大部分 AI 交互还是一问一答的模式，但到了 2026 年，AI Agent 跑的是跨越数小时的多步骤工作流，要读文件、调 API、写代码、自检、迭代。一个完成需要 47 次工具调用的流程，靠一条提示词根本管不住。提示词变成了一本千页书里的一句话，它已经不是决定结果的关键因素了。

第三，岗位被吸收了。提示工程的工作没有消失，但它被折叠进了软件开发、产品管理、数据分析和运营这些已有的岗位里。LinkedIn 的数据显示，在提示工程头衔下降 40% 的同一时期，“AI 工作流设计”作为一项技能增长了 25%。提示工程从一个职业变成了简历上的一行字。

这段分析其实揭示了一个更普遍的规律：当一项技能的门槛被技术本身拉低到几乎为零的时候，它就不再值钱了。三年前你会写提示词是稀缺能力，今天模型自己就能理解你随便说的话，这项技能的稀缺性就消失了。真正值钱的东西永远在往更高的抽象层迁移。

2、上下文工程到底是什么

Nav Toor 引用了 Anthropic 官方工程文档里的定义：上下文工程是“在 LLM 推理过程中，策划和维护最优 token 集合的策略”。翻译成大白话就是：决定 AI 在生成回答之前应该看到什么信息、什么时候看到、以什么格式看到，让输出的质量是可靠的，而不是靠运气的。

如果说提示工程关注的是“你怎么问”，那上下文工程关注的是“AI 看到了什么”。一个是一句话的事，另一个是一整套架构。

这个区别看起来微妙，但影响是根本性的。提示工程的天花板就是一条消息的长度，而上下文工程的天花板是你能构建多复杂的信息系统。

3、上下文工程的五个组成部分

Nav Toor 把上下文工程拆解成了五个核心模块，缺一个系统就会退化，五个都建好了，AI 产出的东西你才敢署自己的名字。

**第一个是系统指令。** 这是每次交互之前就加载好的持久性规则，告诉 AI 它是谁、怎么行动、什么该避免、质量标准是什么。在 Claude Cowork 里，这就是你的 [about-me.md](http://t.cn/AXco2qPw)、[brand-voice.md](http://t.cn/AXco2qPL)、[working-rules.md](http://t.cn/AXMi0I1q) 这些上下文文件。在 Claude Code 里，这就是你的 [CLAUDE.md](http://t.cn/AXLo0vJd) 文件。关键在于：系统指令不会在会话之间变化，你写一次，永久生效。每次会话开始的时候，AI 已经知道你是谁、你怎么写作、什么算好的输出。

很多人用 ChatGPT 的时候，每次新对话的前十分钟都在跟 AI 对齐：我是做什么的、我需要什么风格、请注意什么。上下文工程师花在这件事上的时间是零，因为文件已经永久性地替你做了这个工作。光是这一点，就能省掉大量的重复劳动。

**第二个是记忆与状态。** 短期记忆是 AI 在一次对话里记住的东西，长期记忆是跨会话持久保存的信息，状态是 AI 在多步骤流程中走到了哪一步、做了什么、还需要做什么、已经做了哪些决策。

Anthropic 的研究把这叫做“结构化笔记”。AI 给自己写笔记，比如待办清单、进度日志、[NOTES.md](http://t.cn/AXMi0I15) 文件，这些东西保存在上下文窗口之外，需要的时候再拉回来。没有记忆，每次会话都从零开始；有了记忆，每次会话都从上次结束的地方继续。这就是一个工具和一个系统之间的区别。

**第三个是工具集成。** AI 模型本身只能读文字和写文字，上下文工程给它装上了手。工具就是 AI 可以调用的功能：搜索网页、读文件、查数据库、发邮件、查日历、跑代码。Anthropic 在 2024 年底发布的 MCP 协议已经成了这个领域的标准，现在有 Gmail、Google Drive、Slack、GitHub、Notion、Salesforce 等几百个 MCP 服务器，每一个都让 AI 能触达一个它以前碰不到的系统。

这里有一个容易被忽略的技术细节：工具的定义本身就是上下文的一部分。一个写得好的工具定义就是上下文工程，一个写得差的会浪费 token 还会让模型犯糊涂。

**第四个是检索增强。** 模型有训练数据的截止日期，它不知道你公司的内部政策、你的 Q1 销售数据、你客户昨天发的邮件。检索增强生成（RAG）就是在模型生成回答之前，先去你的知识库里搜索相关信息，拉进上下文窗口，让模型基于你的真实数据而不是训练数据来回答。

在 Claude Cowork 里，这就是你把 AI 指向电脑上的一个文件夹，它会读里面所有的文件。Opus 4.6 有一百万 token 的上下文窗口，意味着整个项目目录、整个代码库、整个研究资料库都可以一次性加载进一个会话里。

Nav Toor 说了一句很到位的话：一个会产生幻觉的 AI 和一个能引用你自己数据的 AI 之间的差别，不在于模型更好，而在于检索更好。这就是上下文工程。

**第五个是动态上下文组装。** 这是上下文工程跟之前所有方法的根本区别。静态系统每次加载同样的信息，动态系统根据不同的任务组装不同的上下文。你问代码问题，它加载你的代码风格指南和最近的 Git 提交；你问写作问题，它加载你的品牌语调文件和最近的文章；你问会议准备的问题，它加载你的日历、收件箱和参会人资料。

Anthropic 在他们的 Skills 系统里把这叫做“渐进式披露”。Claude 不会把你安装的所有 Skill 都加载进来，它先读描述，判断哪些跟当前任务相关，只加载需要的。上下文是动态组装的，针对具体任务优化的，每一次都是。

这就是为什么它叫上下文“工程”。它不是写一条好指令的事，而是设计一个系统，让它能自动地、动态地、每次都组装出正确的信息。

4、提示工程 vs 上下文工程：同一个任务，两种完全不同的体验

Nav Toor 举了一个非常直观的对比例子。

提示工程的做法：你打开 ChatGPT，输入“给我的客户 John 写一封专业邮件，关于 Q1 交付延迟两周的事，语气要道歉但自信。”你得到一封还行的邮件，然后花 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”。

上下文工程的做法：你打开 Claude Cowork，输入“给 John 发邮件说 Q1 延迟的事。”Claude 已经从你的品牌语调文件里知道你的写作风格，从项目上下文里知道 John 是优先客户，通过 Gmail 连接器查了你跟 John 最近三封邮件来匹配语气，从你的 Skills 里知道公司的沟通标准。它产出的邮件听起来就像你自己写的。修改时间：两分钟，可能是零。

同样的任务，同样的 AI 能力，完全不同的架构，完全不同的结果。提示工程师写了一个更好的问题，上下文工程师建了一个更好的系统。一个每次会话都归零，另一个每周都在积累。

这个例子其实说明了一件很重要的事：当你觉得 AI 输出质量不行的时候，问题大概率不在提示词上，而在上下文上。AI 不是不够聪明，是它不知道它应该知道的东西。

5、职业影响：被裁的不是不会用 AI 的人

Nav Toor 引用了一些很扎眼的数据。Shopify CEO Tobi Lutke 在 2025 年发了一份内部备忘录：在招任何新人之前，管理者必须先证明 AI 做不了这个工作。AI 使用情况已经被纳入了 Shopify 的员工绩效考核。2026 年 3 月，仅一个月就有 4.5 万名科技工作者被裁，来自亚马逊、谷歌、微软、Meta 这些大公司。

Nav Toor 指出了一个残酷的规律：被裁的不是那些不会用 AI 的人，而是那些把 AI 当工具用的人。聊天、复制、粘贴、重复。活下来并且发展得好的，是那些围绕 AI 构建系统的人。

ZipRecruiter 上已经有了“上下文工程师”这个岗位，截至文章发布时有 60 个在招职位，薪资区间在 8.4 万到 23.5 万美元之间。这个学科诞生还不到两年，就已经有了自己的薪资带。

这个趋势对所有人都有参考价值。不管你是什么行业、什么岗位，“会用 AI”这件事的门槛正在快速降低，很快就不再是竞争优势了。真正的竞争优势在于你能不能围绕 AI 建立一套持续积累、持续优化的工作系统。用 AI 聊天是消费，建 AI 系统是投资，两者的回报曲线完全不同。

所以，**在 AI 时代，消费型使用和投资型使用之间的差距，会像复利一样指数级拉大。**

什么是消费型使用？每次打开 AI，问一个问题，拿到答案，关掉。下次再来，从零开始。你用了 AI，但 AI 没有因为你的使用而变得更懂你。

什么是投资型使用？你每次使用 AI 的过程中，都在往系统里沉淀一点东西。一个写作风格的偏好，一个任务流程的封装，一条质量标准的补充。第一周和第五十周，你用的是同一个 AI，但第五十周的那个 AI 已经积累了你几十周的经验、偏好和判断标准，它产出的东西跟第一周完全不是一个水平。

这两种人之间的差距，不是天赋，不是智力，不是时间，是**有没有建一个会长大的系统**。

6、普通人怎么从零开始

Nav Toor 在文章最后给出了一条非常清晰的实操路径，不需要你是开发者。

**第一步，建三个文件。** 在一个文件夹里创建三个 markdown 文件。[about-me.md](http://t.cn/AXco2qPw) 写你是谁、你的角色、你的受众、你当前的优先事项，不是简历，是给一个聪明的协作者看的简报。[brand-voice.md](http://t.cn/AXco2qPL) 写你的写作风格、语气、常用词汇、绝对不用的词，附上两三个你自己写的真实样本。[working-rules.md](http://t.cn/AXMi0I1q) 写你希望 AI 怎么行动，比如执行前先确认、默认文件格式、质量标准、不确定时怎么处理。

把 Claude Cowork 指向这个文件夹，从此每次会话都带着完整的上下文启动。你一次性消灭了每次 AI 交互前十分钟的重复对齐工作。

**第二步，把你最常做的事变成一个 Skill。** 想想你重复最多的任务，让 Claude 帮你把它封装成一个 Skill 文件，以后只要任务匹配就自动加载。一个 Skill，十五分钟，你就永久消灭了一条你再也不用写的提示词。

**第三步，连接你的真实数据。** 在 Claude 设置里连接 Gmail 和 Google Calendar，然后试试说“总结一下我今天的会议，检查收件箱里有没有跟它们相关的邮件”。Claude 会拉取你真实的邮件和日历数据，交叉比对，给你一份原本需要你花十五分钟手动整理的简报。

**第四步，建一个自动化的周一早间简报。** 让它自动汇总周末的邮件、列出本周的会议、根据变化识别出你的前三个优先事项。当你第一个周一早上走到办公桌前，发现一份用你的语气写好的、优先级已经排好的完整简报在等着你的时候，一切就不一样了。

**第五步，持续迭代。** 每次 Claude 产出的东西你不满意，问自己一个问题：这是提示词的问题还是上下文的问题？几乎每次都是上下文的问题。往你的品牌语调文件里加一行，调整一下工作规则，更新一个 Skill。五分钟的文件编辑，永久性的改进。系统变得更聪明，不是因为 AI 进步了，而是因为你的上下文进步了。

7、复利效应：两种人的差距会越来越大

Nav Toor 在文章结尾描绘了一条时间线上的分化。

一个提示工程师在第一周和第五十周用 AI 的方式是一样的。每次会话从零开始，每条提示词手工打造，技能天花板就是一条消息的长度。

一个上下文工程师在第一周建的架构让第二周更好，第二周的优化让第三周更好。到第八周，系统产出的初稿已经不需要编辑了。到第十二周，定时任务在没有人参与的情况下跑完整个工作流。到第二十周，系统积累的机构知识是任何提示词都无法复制的。

这两个人之间的差距不是天赋、不是智力、不是时间，而是架构。一个人建了一个会复利增长的系统，另一个人还在每天往同一个聊天窗口里打同样的指令。

提示工程是一次对话，上下文工程是一套基础设施。一个每次归零，一个持续积累。

这个选择摆在每个人面前，而做出选择的窗口期，比上一次关得更快。

#科技先锋官# #How I AI#