上下文工程究竟是什么？为什么企业突然开始招聘这个职位？如果你曾经用 ChatGPT 处理生意上的问题，却得到含糊甚至错误的答案，问题往往不在于你怎么问，而在于「上下文」。
在 2026 年，上下文工程（Context Engineering）成为认真做 AI 的团队用来取代「提示工程」的说法。这篇文章会用最浅白的语言，说清楚它是什么、如何运作，以及对一家香港中小企来说，究竟改变了什么。
什么是上下文工程？
上下文工程，是指在正确的时机，把正确的资料喂给 AI 模型，让它根据你真实的数据回答，而不是靠猜。它决定了在 AI 落笔之前，有哪些文件、记忆、工具和过往对话会进入它的视野。
你可以把 AI 模型想象成一位绝顶聪明的新员工：他读遍全世界的资料，却从未见过你的生意。提示工程，是向这位新人提出一条好问题；上下文工程，则是先把你的价目表、预订系统和上月的顾客电邮交到他手上，让答案真正贴近你的公司。
这个词在 2026 年变得普及，是因为团队发现：瓶颈很少在模型本身，而在于问题周围的那些资料。
上下文工程与提示工程有什么区别？
提示工程塑造的是你当下输入的那条问题；上下文工程则是建立一套系统，在 AI 回应之前，自动供应背景资料，包括检索到的文件、记忆和工具结果。提示只是一行字，上下文却是模型视野里的其余一切。
实际区别在于：即使问题问得再好，只要 AI 无法读取你的库存、营业时间或退款政策，它依然会答错。再巧妙的句子，也无法凭空生出模型从未获得的事实。
正如一篇 2026 年的业界文章所言：提示的措辞远不及「系统捞出了哪几段文件、AI 调用了哪些工具」来得重要。真正的胜负手，不是更聪明的句子，而是在恰当时机取出正确的资料。
上下文工程实际上如何运作？
上下文工程会把一次回答所需、要进入模型上下文窗口的所有内容组装起来，再修剪到刚好容纳。实务上，它由五个部件组成，系统会在模型落笔前自动准备。
- 检索（RAG）：系统搜索你的文件，例如 PDF、表格和过往对话，只抽出与问题相关的几段内容。
- 记忆：它跨对话记住有用的事实，让回头客不必每次重复自己的订单历史。
- 工具：它让 AI 查核实时来源，例如你的预订日历或库存，而不是靠猜。
- 系统指令：常设规则，告诉 AI 它是谁、用什么语气、以及绝对不能做什么。
- 窗口预算：由于上下文窗口有上限，系统会把旧对话摘要，避免重要细节被挤出去。
把答案建立在真实、检索得来的数据之上，也正是上下文工程能大幅减少那种「言之凿凿却是错的」幻觉答案的最大原因。
上下文工程对小生意为何重要？
对中小企而言，上下文工程决定了你手上的 AI 是给空泛建议，还是像在你店里做了多年的老员工般精准回答。它带来的，是对你自家运营的准确度，而这正是入门级 AI 设定最常失手的地方。
想象一家香港餐厅。一般聊天机器人也许只会说「我们在正常时间营业」；而一个接上真实排班和菜单的上下文化助理，会答「我们 11:30 开门，午市套餐供应到下午三点」。
零售店可以让顾客问「这件 M 码有现货吗？」并得到实时答案，因为 AI 会去查库存工具，而不是随口编。房产中介则可以按需要实时调出每个房源的细节、户型图和看房时段，不必重复打字。
这与一个好的AI 知识库建基于同一道理：AI 有多好用，取决于你为它接上多好的上下文。
关于上下文工程，人们最常误解什么？
最常见的误解，是以为只要把问题问得更好，就能修正一个差劲的 AI 答案。事实上，大部分失误源于上下文缺失或混乱，而非提示本身。在投入时间之前，有几个误区值得先厘清。
- 「这只是提示工程换个名字。」不是。提示只是其中一项输入；上下文工程是整条喂养模型的流程。
- 「上下文越多越好。」错。把所有文件一次过塞进去，只会撑爆窗口，把真正有用的部分埋没。相关性胜过数量。
- 「你需要一支数据科学团队。」起步不用。如今的无代码工具会替你处理检索和记忆，让不懂技术的老板也能接上正确的来源。
- 「设定好就一劳永逸。」上下文需要维护。当你的价格或政策改变，接上的来源也要同步更新，否则 AI 只会根据过时资料作答。
香港中小企如何开始做上下文工程？
从小处着手。挑一条员工每天都要回答的重复问题，把 AI 接上唯一存有答案的那个来源，先验证准确度，再逐步增加。你不需要一个大型项目，也能在一周内感受到成效。
- 第一步：列出顾客或员工问得最多的五条问题，例如价格、有没有货、营业时间和订单状态。
- 第二步：找出每条问题的正确答案本来存放在哪里，可能是一张表格、一个预订系统，或一个文件夹。
- 第三步：先把 AI 接上那一个来源，用真实问题测试，并通过改善来源、而非改写提示，去修正错误答案。
- 第四步：待第一个来源稳定可靠后，才加入记忆和第二个来源。
目标不是第一天就有一套完美系统，而是一个对你的生意「答得准」的 AI，然后每个月比上个月更能干一点。
关于上下文工程的总结
上下文工程说到底，就是把正确的资料交给 AI，让它不再靠猜、开始帮得上忙的一门功夫。对一家小生意而言，这个转变，从空泛答案到建基于你自家数据的答案，正是 AI 由「新奇玩意」变成「真正有用」的分水岭。
你不必精通理论，也能享受它的好处。你需要的，是把正确的上下文、以正确的次序接上，以及一个愿意陪你一起设定的伙伴。懂AI，更懂你 UD相伴，AI不冷。
本文由 UD AI 团队审阅。
