什麼是情境工程？
情境工程是指在 AI 模型生成回應之前，決定哪些資訊進入它的上下文視窗。提示工程是你在視窗「內」寫什麼；情境工程則是你一開始「選擇」放什麼進去。
大多數 AI 進階用戶花了一年時間打磨提示，卻幾乎沒有人學會管理情境。這道缺口，正是你的輸出至今仍然參差不齊的原因。
這個區別之所以重要，是因為一個出色的提示，若建立在雜亂、臃腫或過時的情境之上，結果依然平庸。根據 Anthropic 工程團隊的說法，模型的注意力是有限的預算，你放進視窗的每一樣東西都在互相爭奪它。
情境工程和提示工程有何不同？
提示工程改善你「如何」與模型溝通，情境工程改善模型「能看到什麼」。在 2026 年，提示工程只是入場券，情境工程才是拉開普通用戶與進階用戶差距的倍增器。
可以這樣理解：提示工程是寫出一條清晰的問題，情境工程則是決定模型在回答這條問題時，應該看到哪三份文件、哪些過往對話、哪些示例。
情境工程包含幾個提示工程完全忽略的環節：
--- 選材：哪些檔案、筆記或先前的訊息真正該進入視窗。
--- 排序：指令與參考資料各自擺放的位置。
--- 壓縮：把冗長歷史濃縮成摘要，而不是整段貼上。
--- 記憶：哪些內容跨對話保留，哪些你刻意捨棄。
什麼是「context rot」？它如何毀掉長對話？
Context rot 是指隨著視窗內 token 數量增加，模型的記憶提取準確度反而下降的現象。你在長對話裡塞得越多，模型就越難精準取回其中任何一項具體事實。
這個模式由 Anthropic 工程團隊命名，而 Chroma 針對檢索的研究也顯示相關效應：當來源改變，儲存的資訊會逐漸失效。兩者指向同一個教訓：更大的情境，不等於更好的情境。
前沿模型如今在 Claude、Gemini 與 GPT-5.5 上都提供約 1,000,000 token 的視窗，這份容量誘使你把所有東西一次貼進去。但在實際使用中，更大的空間若缺乏更好的策劃，只會留下更多雜訊，於是模型偏偏在你精心設定該發揮作用時開始跑題。
實際上如何管理上下文視窗？
管理視窗的關鍵，是把 token 當成一份要刻意花用的預算，而非一個裝滿為止的水桶。只載入當前任務需要的內容，把指令放在最頂，一旦歷史失去用處就立即清走。
四個習慣足以應付大多數情況：
--- 開新任務時另起一個對話，而不是在臃腫的舊對話裡繼續。
--- 只貼文件中相關的段落，而不是整份檔案。
--- 把長對話濃縮成一段簡短摘要，再從摘要繼續。
--- 把你的角色、規則與輸出格式放在最頂，模型在該處最可靠地留意指令。
這些都不是高深技巧，卻是一套流程能撐過二十條訊息、還是在第八條就悄悄崩壞的分別。
一套經過情境工程的工作流程長什麼樣？
經過情境工程的流程會分開三層：穩定的指令層、精選的參考層，以及可拋棄的工作層。你讓前兩層保持乾淨，並經常重置第三層。
以下是一段可複製的系統設定，你可以在正式開工前貼到任何 Claude 或 ChatGPT 對話的最頂：
試試這個設定：
你是我的研究助手，整個對話請遵守以下規則：
1. 角色：一位替繁忙的香港市場經理撰稿的資深分析師。
2. 參考：只使用我在「SOURCE」下貼上的材料。若某項事實不在 SOURCE 內，請回答「來源中沒有」，不要猜測。
3. 輸出：以短段落回覆，先講答案，不要贅語。
4. 記憶：當我輸入「RESET」，除了以上四條規則外，忘記所有內容。
明白後回覆「Ready」，然後等待我的 SOURCE。
它之所以有效，是因為它一次過固定了指令層，明確告訴模型該信任哪份參考，並給你一個乾淨的方式清空工作層，而不會連規則一併丟失。
實踐者在情境上最常犯什麼錯？
最常見的錯誤，是把一個沒完沒了的對話當成工作空間。一個已經回答過十條無關問題的對話，會把那十條問題的雜訊帶進每一個新答案。
另外三個陷阱也不斷出現：
--- 明明模型只需要兩段，卻把整份 40 頁 PDF 貼上，既燒預算又招來 context rot。
--- 把指令（例如「用英式英文書寫」）埋在一段長訊息的中間，模型於是半理不理。
--- 假設模型還記得你三十條訊息之前設下的規則，而那條規則早已被擠出視窗。
若想深入了解底層機制如何運作，Anthropic 自己那篇關於有效情境的文章值得一讀：參閱 Anthropic 的有效情境工程指南。
立即試做：10 分鐘情境審計
打開你運行最久的那個 AI 對話，做一次快速審計。它會準確指出你目前的流程在哪裡漏掉情境。
--- 數一數這一個對話處理過多少項不同任務。超過三項，就代表你早該分拆。
--- 找出你最重要的那條指令。如果它被埋在其他文字之下，下一條訊息就把它移到最頂。
--- 問模型：「請摘要我下一個請求真正需要保留的事實。」然後開一個新對話，把摘要貼上，作為你全新的 SOURCE。
做一次，你就會立即感到輸出收緊。情境工程不是拿來研讀的理論，而是一次一個乾淨視窗、逐步養成的習慣。
關鍵事實：一眼看懂情境工程
定義：決定哪些資訊進入上下文視窗。
與提示工程之別：提示工程是你在視窗內寫什麼，情境工程是你選擇放什麼進去。
Context rot：token 數量增加時記憶提取準確度下降，由 Anthropic 工程團隊命名。
2026 視窗大小：Claude、Gemini、GPT-5.5 約為 1,000,000 token。
核心習慣：選材、排序、壓縮、重置。
結語
提示工程教你把問題問得更好，情境工程教你把材料餵得更好，而 2026 年真正的增益就藏在後者。策劃視窗、尊重 token 預算、經常重置。
在 UD，我們相信科技應該少一點冷冰冰，多一點人情味。「懂AI，更懂你；UD 相伴，AI 不冷」不是我們在文末硬加的口號，而是我們如何幫香港團隊把零散的 AI 實驗，變成真正靠得住的工作流程。
🚀 準備好升級你的 AI 技能？
懂理論是一回事，把它建進日常流程又是另一回事。UD 手把手帶你完成每一步，由測出你目前的 AI 水平，到設計出禁得起實戰的可重複情境工程流程。
先用 UD AI IQ 測試 為自己定個基準。
由 UD AI 團隊審閱。
