One post tagged with "Context Engineering"

很多人第一次使用 Claude Code 或 Codex 时，会把效果差异归结为“提示词写得好不好”。这当然重要，但只解释了很小一部分。

一个真正能持续工作的 AI Agent，不只是在读取一句 Prompt。它还会接收系统规则、项目规范、历史消息、代码与文档、Skill、MCP 工具描述、工具执行结果、长期记忆、子 Agent 汇总以及运行环境状态。随着任务推进，这些信息还会被检索、缓存、裁剪、压缩、持久化和重新装配。

因此，今天更准确的问题已经不是：

“我应该怎样写一句更神奇的提示词？”

而是：

“在 Agent 每一次决策前，应该让模型看到哪些信息，允许它调用哪些能力，怎样保留状态，又怎样证明任务真的完成？”

这就是从 **Prompt Engineering（提示词工程）**走向 **Context Engineering（上下文工程）**的关键变化。

本文基于截至 2026 年 9 月 4 日的 Claude 与 Codex 官方资料，建立一套不依赖具体产品界面的通用模型，并重点回答五个问题：

1. Prompt、Context、Cache、Memory、Skill、MCP 到底有什么区别？
2. Claude Code 与 Codex 如何组织项目上下文？
3. 一个 AI Agent 从接收任务到完成验证，内部经历了什么流程？
4. 多 Agent 为什么有时更强，又为什么经常更贵、更乱？
5. 怎样写一份真正适合 Agent 执行的任务提示？