Context Engineering for Product Builders: The 2026 Operating Manual

这篇文章来自 Karo Zieminski 的 Newsletter "Product with Attitude"（18K 订阅者），定位为 AI PM 视角的上下文工程实践指南。2026 年 5 月发布，是目前关于上下文工程最系统的实操文献。

文章从第一性原理出发——上下文工程不是 prompt 工程的升级版，而是一个独立的系统设计学科。它的核心议题是：当 Agent 执行任务时，它的"知识环境"应该怎么设计？这个问题和上下文 Lab 的研究目标完全一致。

文章最核心的区分：

作者给出了一个不对称性公式：精心写的 prompt + 糟糕的上下文 = 仍然失败。糟糕的 prompt + 精心设计的上下文 = 经常成功。这个不对称性就是为什么上下文工程是更值得投入的方向。

文章追溯了这个词的确切起源：2025 年 6 月，Shopify CEO 发推说"我更喜欢 'context engineering' 而不是 'prompt engineering'"。推文里给出了后来成为经典的思维模型："上下文窗口是 RAM。我们是操作系统。"

这个模型后来被 LangChain 团队系统化为四个策略。

• Write（写入） — 把上下文保存在窗口外部（CLAUDE.md、AGENTS.md、数据库），不塞进有限的上下文窗口。这是 Agent 的永久参考文档，不会被压缩、裁剪或扭曲。
• Select（选择） — 只检索当前需要的部分。RAG 是这个理念的体现，但好的系统不止于找到可能的匹配——还会重排序，确保只有最相关的信息进入上下文。
• Compress（压缩） — 任务变长时主动压缩。Claude Code 的 "auto-compact" 是一个例子。目标是保留完成任务仍需要的部分，而不是记住一切。金句："看一个 $200 的 Agent 慢慢变成 $2000 但更差的 Agent"。
• Isolate（隔离） — 按角色隔离上下文。客服 Agent 需要客户历史，不需要竞品文档。每个 Agent 只看自己需要的。

文章提供了一个实践工具——上下文工程审计 Prompt，让 PM 在构建前用它对 Agent 的信息设计做压力测试。

文章列举了真实系统中上下文失效的 10 种方式，每一种都在上下文 Lab 的实验场景中有对应：

• Overload（过载） — 塞了整库文档，重要细节被淹没
• Contamination（污染） — 错误信息写入了记忆并持续存在
• Distraction（分心） — 不相关但显眼的信息抢夺注意力
• Ambiguity（模糊） — 信息重叠或模糊扰乱推理
• Contradiction（矛盾） — 两个来源冲突
• Staleness（过期） — 预加载的上下文已过时
• Tool Bloat（工具膨胀） — 注册太多工具，每个都消耗注意力
• Pattern Lock（模式锁定） — Agent 陷入重复模式，错过异常
• Lost in the Middle（中间丢失） — 关键信息在长上下文中间被忽略（引用 Liu et al. 2023）
• Memory Soup（记忆混合） — 偏好、失败记录、永久规则混在一起无法区分管理

文章还给出了 6 个实操信号来判断上下文是否已经开始变质：Agent 重复问同一个问题、忘记之前的决策、虚构工具或文件、突然问你在做什么、交接记录丢失关键信息。

这是整篇文章在学术层面上最重要的引用。2025 年 10 月，Stanford、SambaNova Systems 和 UC Berkeley 联合提出了 ACE（Agentic Context Engineering）框架。

ACE 架构有三个组件：

• Generator — 执行任务
• Reflector — 回顾任务表现
• Curator — 更新下一次执行的指令、策略、示例和经验

关键意义：不改变模型权重，只改进模型周围的信息环境。ACE 在 Agent 基准上提升 10.6%，金融任务提升 8.6%，同时降低了延迟和成本。

这和上下文 Lab 的方向高度一致——如果把 ACE 的 Curator 替换为 Schema Graph 的治理层，就构成了"自维护的上下文注入系统"架构。

文章认为 PM 应该定义每层上下文放什么、什么时候该过期、什么应该重新获取。工程师负责构建检索和存储的基础设施。如果 PM 不做这个决策，要么工程替你做，要么没人做——然后 Agent 把能拿到的所有信号全塞进窗口。

文章给出了一个上下文金字塔（Context Pyramid）：Identity → Knowledge → State → Task，用来在 Agent 出问题时快速定位哪层上下文坏了。

这篇文章是上下文 Lab 研究方向的最佳实践对照物：

• 四策略 = 实验设计的理论基础 — Write/Select/Compress/Isolate 可以直接对应上下文 Lab 5-Level 实验中的不同上下文注入策略。例如 Level 3（精准规则注入）= Select，Level 4（Schema Graph）= 结构化的 Isolate。
• ACE = Context Layer 自动化方向 — Stanford ACE 的 Generator→Reflector→Curator 循环，可以作为 Context Layer 从"手工设计"走向"自动维护"的技术路径参考。
• 上下文腐败 = 实验中的准确率衰减 — 文章列出的 10 种失效模式，和上下文 Lab 实验中观察到的"随着上下文复杂度增加，某些层级的准确率反而下降"现象有直接对应。
• PM 角色 = 上下文 Lab 的用户定位 — 文章认为 PM/产品构建者应该是上下文架构的决策者，这和上下文 Lab 的受众（需要设计 Agent 上下文的开发者/产品经理）重合。