你让 AI 办一件分好几步的事，真正麻烦的往往不是“该怎么问”，而是每一步该让它看到什么。历史记录、外部资料和工具运行状态如果全塞进去，重要线索反而可能被淹没。“上下文工程”（Context Engineering）就是系统安排这些信息何时进入、如何更新，让 Agent 不只会回答，也能把任务接着做下去。
这篇文章抓住了一个关键转折：上下文窗口从约 12.8 万 token——模型一次能处理的文本单位——扩大到百万级，Llama 4 Scout 甚至做到千万级，但“装得下”不等于“用得好”。作者将长上下文的风险归为四类：错误信息留在其中形成“污染”；内容太长造成“分心”；无关事实带来“混淆”；工具调用与其他信息互相“冲突”。
因此，开发者的关注点正从打磨单次提示词，转向管理记忆、检索和工具状态。说白了，Agent 的关键不只是模型多聪明，还在于系统能否判断：哪些步骤交给模型灵活处理，哪些必须用固定规则和校验兜底。本文是一次会议演讲的整理稿，主要提供问题框架，并未给出系统性实验结果。