context-engineering
上下文工程（Context Engineering）
在有限的context window里放入最高价值信息的系统方法：信息密度×状态管理×分块策略
没有这个模型
未使用上下文工程（Context Engineering）时，容易依赖直觉处理「AI随着对话变长开始「遗忘」早期重要信息」，缺少稳定的分析边界与检查步骤。
使用这个模型
使用上下文工程（Context Engineering）后，可围绕「在有限的context window里放入最高价值信息的系统方法：信息密度×状态管理×分块策略」执行结构化分析，并依次检查推理结果。
适用信号
- AI随着对话变长开始「遗忘」早期重要信息
- 复杂任务的prompt已经很长但效果还不理想
- 需要设计多轮对话系统，保持AI的「工作记忆」
不适用与停止条件
- 单次简单对话
- 无状态的一次性任务
推理协议
- 01
信息价值评估：对所有候选信息按「相关性×不可替代性」打分，只保留高分项
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 02
分层存储设计：System Prompt放稳定规则/角色定义；User Message放动态任务；工具结果放执行证据
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 03
状态压缩：将历史对话压缩为「关键决策+当前状态+待解决问题」三要素
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 04
渐进式展开：不要一次性塞入所有信息，按推理需要逐步引入
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
场景示例
AI随着对话变长开始「遗忘」早期重要信息
在企业管理场景中，以「在有限的context window里放入最高价值信息的系统方法：信息密度×状态管理×分块策略」为分析主线，按模型提示词执行并检查结论。
复杂任务的prompt已经很长但效果还不理想
在产品设计场景中，以「在有限的context window里放入最高价值信息的系统方法：信息密度×状态管理×分块策略」为分析主线，按模型提示词执行并检查结论。
需要设计多轮对话系统，保持AI的「工作记忆」
在分析洞察场景中，以「在有限的context window里放入最高价值信息的系统方法：信息密度×状态管理×分块策略」为分析主线，按模型提示词执行并检查结论。
AI随着对话变长开始「遗忘」早期重要信息
在决策思维场景中，以「在有限的context window里放入最高价值信息的系统方法：信息密度×状态管理×分块策略」为分析主线，按模型提示词执行并检查结论。
复杂任务的prompt已经很长但效果还不理想
在任务管理场景中，以「在有限的context window里放入最高价值信息的系统方法：信息密度×状态管理×分块策略」为分析主线，按模型提示词执行并检查结论。
常见误区
- 过度压缩上下文会丢失关键细节
- 信息密度太高反而触发认知过载