在最近的人工智能发展周期中， 提示工程 被视为提升大型语言模型输出的主要技能。团队通过尝试不同的措辞、角色指令、语气控制以及精心构建的示例，来获得更可靠的模型答案。这种方法仍然重要。然而，随着人工智能从实验阶段走向生产系统，一个更重要的学科正在成为焦点： 上下文工程 。
上下文工程是指设计、选择、构建和管理人工智能系统在推理时刻接收的信息。它不再仅仅关注 如何提问 ，而是关注 模型现在应该知道什么 ， 这些信息来自哪里 ，以及 如何安全高效地传递这些信息 。
对于企业领导者、产品团队和网络情报专业人员而言，这种转变意义重大。人工智能系统的质量越来越少地取决于巧妙的措辞，而更多地取决于在正确的上下文中是否提供了正确的数据、指令、内存、权限和操作约束。这就是为什么在实际的企业人工智能中，上下文工程正变得比响应式工程更为重要。
定义提示工程与上下文工程
什么是提示工程
提示工程是指精心设计发送给模型的文本指令，以影响输出质量。常用技术包括：
- 分配角色，例如分析师、法律审核员或事件响应人员
- 指定输出格式、样式或详细程度
- 提供少量示例
- 将任务逐步分解
- 添加约束，例如“仅使用提供的资源”
提示工程非常有用，尤其适用于原型设计和有界任务。它可以提高一致性、减少歧义并帮助塑造响应。但它也有局限性。如果模型缺乏相关事实、最新数据、组织政策或特定领域的参考资料，再巧妙的提示也无法完全弥补。
什么是上下文工程
上下文工程的范围更广，也更偏向架构层面。它包括决定哪些内容进入模型上下文窗口以及如何组织这些信息的系统和流程。这可能包括：
- 从内部知识库检索相关文档
- 提供用户特定的历史记录、权限和偏好设置
- 注入系统规则、工作流状态和工具可用性
- 在交互过程中维护短期和长期记忆
- 在推理之前过滤、排序、汇总和验证上下文
- 管理令牌预算、延迟和数据泄露风险
简而言之，提示工程优化请求的措辞。上下文工程优化模型推理的信息环境。
情境工程的重要性日益凸显
1. 企业级人工智能依赖于专有知识
通用模型基于广泛的公共数据和授权数据进行训练，但其商业价值通常来自于将人工智能应用于专有环境：内部流程、威胁情报源、产品文档、法律标准、客户记录和运营工作流程。这些资料并未可靠地嵌入到基础模型中。
如果安全运营中心的人工智能助手无法访问最新的检测逻辑、资产清单、事件处理手册和威胁行为者画像，就无法提供可靠的指导。如今的挑战不再仅仅是编写有效的提示，而是要在正确的时间提供正确的运营情境。
2. 准确性比新颖性更重要。
在早期实验阶段，组织通常根据流畅性和创造性来评判人工智能。而在生产环境中，他们则根据准确性、可追溯性、合规性和可重复性来评判。这些结果很大程度上取决于上下文。
精心设计的提示可能会产生令人信服的答案。精心设计的上下文更有可能产生正确的答案。这种区别在受监管、高风险或任务关键型环境中至关重要，例如网络防御、金融运营和高管决策支持。
3. 智能体系统需要状态、工具和内存
现代人工智能应用越来越具有智能体特性。它们不再只是简单地回答一次问题；它们会执行多步骤工作、调用工具、评估输出，并持续运行。这需要的不仅仅是提示设计，还需要跨任务、会话和系统边界的上下文管理。
人工智能代理在调查网络钓鱼活动时可能需要：
- 访问历史警报和相关案例
- 审查电子邮件标头和入侵指标
- 查询外部威胁情报平台
- 遵循内部升级流程
- 为分析师和领导层保留审计跟踪
这些功能依赖于上下文工程：即协调模型看到、记住以及被允许执行的操作。
4. 安全性和治理现在是核心关注点
上下文不仅仅是准确性问题，也是安全问题。治理不善的上下文管道可能会暴露敏感数据、注入不受信任的内容，或造成快速注入和数据泄露的机会。
随着人工智能融入业务运营，组织必须控制：
- 哪些数据源值得信赖
- 如何对检索到的内容进行清理和排序
- 不同用户被授权访问哪些信息
- 存储、保留和记录多少上下文信息
- 如何处理嵌入在源材料中的恶意指令
仅靠响应式工程无法解决这些风险。上下文工程可以，因为它融合了检索、身份、策略、可观测性和模型行为等多个方面。
上下文工程的商业案例
对于企业而言，上下文工程正成为一项核心能力，因为它能够直接提升部署中的关键指标：
- 可靠性： 更可靠的上下文能够减少虚假信息和无关答案
- 效率： 相关的上下文能够减少不必要的令牌和重复查询
- 个性化： 系统能够根据用户角色、历史记录和意图做出响应
- 合规性： 数据访问和使用能够与治理策略保持一致
- 可扩展性： 结构化的上下文管道支持可重复的企业部署
- 信任： 用户获得当输出结果具有上下文关联性、来源明确且可解释时，信心便会增强。
这就是为什么领先的人工智能项目越来越多地投资于检索架构、元数据设计、知识图谱、内存框架、策略执行和可观测性层。这些都是上下文工程的组成部分。
有效的上下文工程是什么样的？
相关性强的信息，而非冗余信息。
并非越多的上下文信息越好。用大量松散相关的文本来加载模型可能会降低精度、增加成本并引入矛盾。有效的上下文工程优先考虑相关性、时效性和排名质量，而非单纯的数量。
结构化上下文层
成熟的人工智能系统通常将上下文分离成不同的层，例如：
- 系统上下文： 核心指令、策略和操作约束
- 任务上下文： 当前目标、工作流程阶段和预期输出
- 知识上下文： 检索到的文档、记录或证据
- 用户上下文： 身份、权限、偏好和历史记录
- 记忆上下文： 先前的交互和持久学习状态
这种分层方法提高了系统一致性，并使系统更易于审计和维护。
可信检索和验证
检索到的上下文不应被视为本质上安全或正确。高性能的企业系统会验证来源、去重内容、附加出处信息并应用信任评分。在网络情报环境中，来源质量和监管链尤为重要。
安全设计
上下文管道应包含访问控制、编辑、日志记录和针对提示注入的防御措施。如果 AI 助手使用电子邮件、PDF、网页或工单，这些输入可能包含对抗性指令。组织需要在这些内容到达模型之前采取安全措施。
提示工程为何仍然重要
上下文工程并非完全取代提示工程。这两个领域是互补的。提示仍然至关重要，例如：
- 明确任务意图
- 定义响应结构
- 设定推理和语气的界限
- 提高可重复工作流程的确定性
但在成熟的系统中，提示只是更大堆栈中的一层。在薄弱的上下文之上叠加强有力的提示会产生不稳定的结果。而一个完善的上下文管道配合有效的提示，才能产生可靠的业务价值。
对网络情报和安全团队的影响
上下文工程的兴起在网络情报领域尤为重要，因为及时性、归因质量和决策支持都依赖于整合众多分散的数据源。安全团队需要处理警报、日志、恶意软件报告、漏洞数据、内部资产上下文、攻击者跟踪和外部情报信息。该模型的有效性取决于这些信息是否能够以连贯且安全的方式整合。
例如，让AI助手对漏洞进行优先级排序，其效果取决于所接收到的上下文信息。它需要的不只是CVSS文本，可能还需要漏洞利用情报、资产关键性、补偿控制措施、暴露路径、补丁窗口以及当前威胁行为者的活动。恰当的措辞有助于呈现分析结果。上下文工程决定了分析结果是否符合实际情况。
组织应如何应对
企业在进行AI试点项目后，应将上下文工程视为一项战略能力，而非事后的技术补充。实际优先事项包括：
- 映射高价值决策和工作流程，其中上下文基础至关重要
- 识别权威数据源并定义检索规则
- 为 AI 上下文构建实施基于角色的访问控制
- 有意识地设计内存和会话管理
- 监控输出质量与上下文质量的关系，而不仅仅是响应质量
- 测试注入、泄漏和源篡改风险
做好这些工作的组织将构建出不仅更有用，而且更易于管理且更具弹性的 AI 系统。
结论
上下文工程正变得比响应工程更重要，因为企业 AI 的成功不再主要取决于巧妙的指令，而是取决于以可控且相关的方式向模型提供正确的信息、约束、历史记录和权限。
提示工程助力开启了人工智能实际应用的第一波浪潮。而上下文工程将定义下一波浪潮：打造精准、安全、可解释且符合业务实际情况的生产级系统。
对于评估人工智能成熟度的领导者而言，关键在于：如果说提示工程塑造了对话，那么上下文工程则塑造了最终结果。
有用的上下文不等同于权威
代理的上下文可以组合具有不同状态的指令、文档和工具输出。更多文本并不能消除这种区别：检索到的过程可以帮助回答问题，而无需授权消息或修改。连接器设计应保持这种界限。
- 根据来源及其实际可携带的权限对每个输入进行分类。
- 测试包含与任务冲突的指令的相关文档。
- 观察工具效果并验证源内容不会扩大权限。
一手资料：OWASP — LLM01:2025 Prompt Injection. 相关方法：阅读实用指南.
