Apakah itu Context Engineering?

Dikemas kini Julai 2026

Context engineering ialah disiplin menyusun segala yang dilihat oleh large language model pada masa inferens, iaitu system prompt, dokumen yang diperoleh semula, output alat, sejarah perbualan, dan ingatan kerja, supaya ia mempunyai tepat maklumat yang diperlukan untuk menyelesaikan tugas dengan baik. Inilah amalan yang menggantikan prompt engineering sebagai kemahiran teras membina AI sepanjang 2025 dan 2026.

Bagi pemimpin perniagaan, context engineering bermaksud perbezaan antara sistem AI yang meneka dan sistem AI yang tahu. Ejen sokongan yang menarik sejarah pesanan pelanggan, polisi bayaran balik, dan tiket terdahulu ke dalam konteks kerjanya sebelum menjawab akan memberi jawapan yang lebih tepat berbanding satu yang hanya bergantung pada prompt yang bijak. Prompt hanyalah satu input antara banyak input lain; context engineering ialah tugas menguruskan kesemuanya bersama, pada setiap panggilan, bukan hanya panggilan pertama.

Sebab Context Engineering Menggantikan Prompt Engineering

Prompt engineering menganggap mendapatkan output AI yang baik sebagai masalah kata-kata: cari frasa ajaib, persona yang tepat, struktur arahan yang sempurna, dan model akan berprestasi baik. Kerangka fikiran itu masuk akal ketika satu prompt yang dirangka dengan baik ialah hampir keseluruhan apa yang dikawal pengguna. Ia berhenti masuk akal sebaik sahaja pasukan mula membina ejen AI dan sistem berbilang langkah di mana prompt hanyalah bahagian kecil dan tetap daripada kumpulan maklumat yang jauh lebih besar dan sentiasa berubah yang perlu digunakan oleh model.

Istilah "context engineering" dipopularkan pada pertengahan 2025 oleh dua suara terkemuka dalam bidang AI. Andrej Karpathy menggelarkannya "seni dan sains halus mengisi tetingkap konteks dengan tepat maklumat yang diperlukan untuk langkah seterusnya," dan berhujah bahawa "context engineering" menerangkan apa yang sebenarnya dihabiskan masa oleh pasukan AI pengeluaran jauh lebih baik daripada yang pernah dilakukan "prompt engineering." Pada masa yang lebih kurang sama, CEO Shopify, Tobi Lutke, menerangkannya secara terbuka sebagai "seni menyediakan seluruh konteks agar tugas itu boleh diselesaikan secara munasabah oleh LLM."

Pasukan kejuruteraan Anthropic merumuskan peralihan ini sebegini dalam panduan mereka sendiri untuk membina ejen AI: context engineering ialah "sekumpulan strategi untuk mengkurasi dan mengekalkan set token yang optimum" semasa inferens, merangkumi system prompt, alat, contoh, sejarah mesej, dan data yang diperoleh semula secara bersama, bukan prompt secara berasingan. Wawasan asas yang mendorong peralihan ini: model terkehadapan kini cukup kuat untuk kebanyakan tugas perniagaan. Jurang antara sistem yang berfungsi dan yang tidak biasanya bergantung pada maklumat yang diberikan kepada model, bukan perkataan yang digunakan untuk memintanya.

Komponen Utama Context Engineering

Setiap sistem yang direka dengan context engineering dibina daripada beberapa bahagian yang sama, disusun dan disusun semula pada setiap panggilan model.

• System prompt: Arahan tetap yang menentukan peranan, nada, dan sempadan AI. Inilah yang dimaksudkan kebanyakan orang dengan "prompt engineering," kini hanya satu input antara beberapa input lain.
• Memory: Ingatan kerja jangka pendek untuk tugas semasa, ditambah ingatan jangka panjang untuk fakta, keutamaan, dan hasil yang perlu kekal merentasi sesi. Lihat ingatan AI untuk perbezaannya daripada data latihan model.
• Retrieval-augmented generation (RAG): Mekanisme untuk menarik dokumen, rekod, atau entri pangkalan pengetahuan yang relevan ke dalam konteks pada saat ia diperlukan, berbanding berharap model sudah mengetahuinya. Dibincangkan secara mendalam dalam Retrieval-Augmented Generation.
• Tools: Fungsi, API, dan sistem yang boleh dipanggil oleh model, dan sama pentingnya, output yang dikembalikan oleh panggilan tersebut, yang kemudian menjadi sebahagian daripada konteks untuk langkah seterusnya. Lihat penggunaan alat.
• Examples: Sebilangan kecil contoh yang dipilih dengan baik dan mewakili (demonstrasi few-shot) yang menunjukkan kepada model rupa output yang baik, dikurasi untuk relevansi berbanding liputan menyeluruh.
• State: Sejarah perbualan yang sedang berjalan, tindakan lalu yang telah diambil, dan hasil pertengahan yang membolehkan ejen berbilang langkah kekal koheren dari langkah pertama hingga terakhir, berbanding menganggap setiap giliran sebagai permulaan baharu.

Melakukan kesilapan pada mana-mana satu daripadanya (senarai alat yang terlalu banyak, ingatan yang basi, dokumen yang diperoleh semula tetapi tidak relevan) menjejaskan kualiti output sama teruknya seperti prompt yang tersusun buruk dahulu.

Cara Context Engineering Berfungsi dalam Sistem Agentic

Dalam sistem Agentic AI, konteks tidak disusun sekali sahaja dan dibiarkan begitu. Ia dibina semula atau dikemas kini pada setiap langkah dalam gelung: sistem mengumpul apa yang diketahuinya buat masa ini (system prompt, memory, data yang diperoleh semula), model menaakul konteks itu dan membuat keputusan tentang tindakan, penggunaan alat melaksanakan tindakan itu terhadap sistem sebenar, dan hasilnya dilipat semula ke dalam konteks untuk keputusan seterusnya. Aliran kerja agentic berbilang langkah boleh menjalankan gelung ini berpuluh atau beratus kali sebelum tugas selesai, yang bermaksud kesilapan kecil dalam konteks pada peringkat awal boleh berlipat ganda menjelang akhir.

Pasukan kejuruteraan LangChain telah menyusun kerja praktikal context engineering kepada empat strategi berulang: write (memberi ejen tempat untuk menyimpan maklumat di luar konteks utama, seperti scratchpad atau nota), select (menarik hanya apa yang relevan dengan langkah semasa, bukan setiap dokumen yang ada), compress (meringkaskan atau memangkas konteks apabila ia semakin panjang), dan isolate (memisahkan tugas kompleks merentasi berbilang ejen atau sub-konteks supaya tiada satu konteks pun yang terlalu sarat). Kebanyakan kerja context engineering dalam pengeluaran ialah gabungan keempat-empat gerakan ini, diulang secara berterusan sepanjang tugas berjalan. Orkestrasi AI ialah lapisan yang biasanya menguruskan perkara ini pada satu ejen atau merentasi beberapa ejen.

Pengurusan Tetingkap Konteks dan Mod Kegagalan

Setiap model mempunyai tetingkap konteks yang terhad, iaitu bilangan maksimum token yang boleh diprosesnya sekali gus. Namun context engineering wujud kerana limpahan tetingkap bukanlah masalah utama dalam praktik. Penyelidikan oleh Chroma menguji 18 model terkehadapan, termasuk GPT-4.1, Claude Opus 4, Gemini 2.5, dan Qwen3, ke atas input yang panjangnya antara 25 hingga 10,000 patah perkataan dan mendapati ketepatan pada tugas dapatan semula dan ingatan mudah merosot secara konsisten apabila panjang input meningkat, jauh sebelum mana-mana model mencapai had token yang dinyatakan. Kemerosotan beransur-ansur itu mempunyai namanya sendiri: context rot, iaitu kecenderungan keupayaan model untuk menggunakan maklumat secara tepat menurun apabila jumlah konteks yang dipegangnya meningkat, walaupun pada tugas yang mampu ditanganinya dengan cemerlang jika inputnya lebih pendek.

Context rot bukanlah satu kegagalan tunggal, tetapi satu kelompok kegagalan yang berkaitan. Penulis Drew Breunig mengkatalogkan empat corak khusus yang menjelaskan kebanyakan perkara yang dihadapi oleh pengamal:

• Context poisoning (peracunan konteks): Halusinasi atau kesilapan ditulis ke dalam konteks (fakta yang salah dalam nota ingatan, kepercayaan palsu dalam matlamat yang dijejaki) dan kemudian dirujuk berulang kali, memburukkan kesilapan itu berbanding membetulkannya.
• Context distraction (gangguan konteks): Model terlalu bergantung pada sejarah yang terkumpul dan mula mengulangi tindakan lalu berbanding menaakul semula secara segar tentang apa yang perlu dilakukan seterusnya.
• Context confusion (kekeliruan konteks): Maklumat tidak relevan yang berada dalam konteks ditarik masuk ke dalam respons, menurunkan kualiti jawapan walaupun maklumat yang betul turut ada.
• Context clash (percanggahan konteks): Maklumat yang ditambah pada titik yang berbeza dalam sesi yang panjang mula bercanggah sesama sendiri, dan model tiada cara yang boleh dipercayai untuk mengetahui versi mana yang terkini.

Satu contoh dunia sebenar context poisoning yang didokumentasikan dengan baik: projek Gemini Plays Pokemon oleh Google DeepMind sendiri, satu eksperimen siaran langsung yang membiarkan Gemini 2.5 Pro bermain Pokemon Blue secara autonomi. Pada satu ketika, ejen itu berhalusinasi bahawa ia perlu mencari item bernama "TEA" (yang tidak wujud dalam versi permainan itu), menulis matlamat palsu itu ke dalam konteks berterusannya, dan kemudian menghabiskan berjam-jam mengejar objektif yang mustahil sebelum pasukan berjaya membebaskannya. Penyelesaian dalam sistem pengeluaran bukanlah tetingkap konteks yang lebih besar, sebaliknya pengurusan aktif terhadap apa yang kekal dalam konteks dan untuk berapa lama.

Context Engineering vs Prompt Engineering

Prompt engineering tidak hilang, ia diserap masuk. Menulis system prompt yang jelas masih menjadi satu bahagian daripada kerja itu; cuma ia bukan lagi keseluruhan tugas.

Kes Penggunaan Sebenar Context Engineering

Ejen sokongan pelanggan: Sebelum menjawab, sistem memperoleh semula status akaun pelanggan, sejarah pesanan, dan dokumen polisi khusus yang relevan dengan soalan mereka, kemudian mengekalkan konteks itu tersedia untuk selebihnya perbualan berbanding mendapatkannya semula pada setiap giliran.

Ejen pengekodan: Alat seperti Claude Code dan pembantu pengekodan yang serupa menguruskan konteks repositori secara langsung, menentukan fail, suntingan terdahulu, dan hasil ujian mana yang kekal dalam konteks kerja model semasa tugas berjalan merentasi banyak langkah, kerana memasukkan keseluruhan pangkalan kod sekali gus akan melepasi mana-mana tetingkap dan mengundang context rot.

Ejen jualan dan RevOps: Ejen yang melayakkan atau membuat susulan terhadap lead menarik rekod CRM yang relevan, interaksi lalu, dan butiran akaun melalui RAG berbanding bergantung pada pengetahuan umum model tentang syarikat itu.

Ejen autonomi yang berjalan lama: Ejen penggunaan pelayar dan penyelidikan yang beroperasi merentasi banyak langkah atau sesi bergantung pada pengurusan ingatan yang dirancang teliti, menyimpan apa yang penting ke storan berterusan dan membuang apa yang tidak, supaya konteks kerja kekal fokus berbanding mengumpulkan segala-galanya yang pernah dilihat oleh ejen itu.

Fakta Utama

• Anthropic mentakrifkan context engineering sebagai "sekumpulan strategi untuk mengkurasi dan mengekalkan set token yang optimum" yang tersedia untuk model semasa inferens, merangkumi system prompt, tools, examples, dan sejarah mesej, bukan prompt sahaja. Anthropic Engineering
• Catatan Andrej Karpathy pada Jun 2025 yang menggambarkan context engineering sebagai "seni dan sains halus mengisi tetingkap konteks dengan tepat maklumat yang diperlukan untuk langkah seterusnya" secara meluas diberi pengiktirafan kerana mempopularkan istilah itu. X / Karpathy
• Penyelidikan Context Rot oleh Chroma menguji 18 model terkehadapan, termasuk GPT-4.1, Claude Opus 4, Gemini 2.5, dan Qwen3, merentasi panjang input dari 25 hingga 10,000 patah perkataan dan mendapati ketepatan merosot secara konsisten apabila input semakin panjang, jauh sebelum mencapai had konteks yang dinyatakan mana-mana model. Chroma Research
• Kajian State of AI Agents 2026 oleh LangChain mendapati 57% pasukan responden kini mempunyai ejen yang berjalan dalam pengeluaran, dengan kualiti output, termasuk pengurusan konteks pada skala besar, disebut oleh 32% sebagai halangan utama kepada prestasi pengeluaran yang boleh dipercayai. LangChain
• Pasukan kejuruteraan LangChain merangka kerja praktikal context engineering di sekitar empat strategi berulang: write, select, compress, dan isolate. LangChain Blog
• Projek Gemini Plays Pokemon oleh Google DeepMind menghasilkan satu kes context poisoning yang didokumentasikan: matlamat dalam permainan yang dihalusinasikan memasuki konteks berterusan ejen itu dan menggagalkan permainannya selama berjam-jam sebelum pasukan dapat membetulkannya. TechCrunch
• Penulis Drew Breunig mengkatalogkan empat mod kegagalan konteks yang berbeza, iaitu poisoning, distraction, confusion, dan clash, yang bersama-sama menjelaskan kebanyakan perkara yang dipanggil pengamal sebagai context rot. dbreunig.com

Konsep AI Berkaitan

• Apakah itu Agentic AI? - Sistem autonomi yang bergantung pada konteks yang direka dengan baik untuk berfungsi secara boleh dipercayai
• Tetingkap Konteks - Had token yang perlu dipatuhi oleh context engineering
• Prompt Engineering - Disiplin yang lebih sempit yang diserap dan diperluas oleh context engineering
• Large Language Models - Sistem yang menggunakan konteks yang disusun untuknya
• Retrieval-Augmented Generation - Teknik utama untuk menarik pengetahuan luaran ke dalam konteks
• Ingatan AI - Ingatan jangka pendek dan jangka panjang sebagai komponen context engineering
• Penggunaan Alat - Cara output alat menjadi sebahagian daripada konteks berterusan ejen
• Model Context Protocol - Piawaian terbuka untuk memasukkan alat dan data luaran ke dalam konteks model secara konsisten
• Aliran Kerja Agentic - Proses berbilang langkah di mana konteks perlu kekal koheren merentasi banyak langkah
• Orkestrasi AI - Lapisan penyelarasan yang menguruskan konteks merentasi berbilang ejen atau langkah

Sumber Luaran

• Anthropic: Context Engineering Berkesan untuk Ejen AI - Panduan Anthropic sendiri tentang mengkurasi konteks untuk kebolehpercayaan ejen
• LangChain: Context Engineering untuk Ejen - Rangka kerja write, select, compress, isolate
• LangChain: State of AI Agents 2026 - Data kajian tentang penggunaan ejen pengeluaran dan halangan kualiti
• Chroma Research: Context Rot - Data penanda aras tentang kemerosotan prestasi merentasi 18 model terkehadapan
• Drew Breunig: How Long Contexts Fail - Empat mod kegagalan konteks yang dinamakan
• TechCrunch: Google's Gemini Panicked While Playing Pokemon - Satu kes dunia sebenar context poisoning yang didokumentasikan

Sebahagian daripada Koleksi Istilah AI. Terakhir dikemas kini: 2026-07-16