Anthropic 给出了一个值得重视的判断：Agent 的关键不只是提示词写得多好，而是每一轮推理时，模型究竟看到了什么。当上下文持续膨胀，信息召回和长程推理反而会打折。
这是什么
上下文工程，指的是组织并维护模型当前可见的信息，包括系统指令、工具、外部数据和对话历史。Anthropic 认为，提示词工程关注“怎么说”，上下文工程关注“怎么选”，目标是让有限窗口里只保留最能推动任务的信息。
这套方法并非单纯缩短上下文。系统指令应提供足够具体的方向，工具应少而清晰，示例应覆盖典型情况；面对长任务，还可采用三种办法：压缩对话，把关键结论写成摘要；使用结构化笔记，即把重要信息保存在上下文之外，需要时再读取；按需检索，即先保留文件路径或查询入口，需要时再调用工具获取细节。
行业怎么看
我们认为，这套判断对复杂 Agent 比单纯追求更大模型窗口更实用。尤其在代码迁移、金融分析等持续数十分钟的任务中，企业真正需要投入的是信息筛选、工具设计和过程恢复能力，而不只是采购更多算力。
但风险同样明确。按需检索会延长运行时间，压缩可能误删后来才显重要的细节，工具越多也越容易让模型选错。更关键的是，Anthropic 的建议主要源自自身产品与研究实践，未必能直接外推到所有模型和业务。高信号上下文需要持续评估；如果筛选规则本身有误，系统只是更高效地沿着错误方向前进。
对普通人的影响
对企业 IT：企业部署 AI Agent 时，采购清单不应只有模型和算力，还需建设权限控制、工具接口、记录留存与任务恢复机制，这些环节开始成为项目成本的主体。
对个人职场：与 AI 的长对话将更强调阶段整理和关键结论沉淀。定期让助手归纳决策、待办与依据，比把全部材料不断粘贴进去更可能得到稳定结果。
对消费市场：能稳定处理长任务的助手会逐渐进入办公、编程和信息服务场景，但可靠性仍是购买门槛。模型“能记住”不等于“记得准”，用户仍需核对关键数字与执行结果。