2025 年上半年，我认为，Agent = LLM + Prompt Engineering + Tools, OpenManus的理念也正是这个公式。

现在我认为，Agent=LLM+Context Engineering+Tools。

过去一年里，很多人说 Prompt Engineering 越来越不重要了，甚至有人嘲笑Prompt Engineer 这个岗位。现在看来恰好相反，Prompt Engineering 不仅没有过时，反而进化成了更高级、更核心的 Context Engineering。

Context Engineering比Prompt Engineering覆盖的范围更大，并且更重要。Context Engineering直接站在 LLM 的角度上，思考如何优化输入 LLM 的 Everything。

也许有人会说，用户已经不需要懂提示词技巧了，最新的大模型或基于它的 Agent 产品已经能给到足够好的响应。

其实这种用户体验还远远不够。重点不是让用户去学习各种提示词技巧，而是要让 Agent 这个软件去弥补掉用户模糊输入和高质量 Context 之间的巨大鸿沟。

简单的 Prompt 改写是最偷懒的做法；而反复询问用户以获取更多信息，虽然效果不错，但体验成本极高，很容易劝退用户。

当今 Agent 百花齐放，LLM 的推理能力已足够强大，其工具使用能力也在不断增强，能够直接与外界环境进行交互，这让 Agent 成了用户的“金牌打工人”。

我们都期待这个“打工人”能准确无误地完成任务，但它的表现却常常不尽人意，那下一步该何去何从？

答案就是 Context Engineering！！

Context Engineering=Memory+Execution Control+Context Management

Context Engineering 是一种系统化的工程方法，通过 Memory、Execution Control 和Context Management 三大核心组成部分为 Agent 提供相关且高质量的上下文信息。

具体来说：

• Memory 包含对长期记忆（通过工具存储或用户写入的持久化信息）和短期记忆（LLM当前接收的消息历史或上下文）的有效利用。
• Execution Control 负责编排 LLM 的任务执行流程，例如 ReAct、Plan and Execute 等框架。
• Context Management 专注于动态地组装、过滤和优化输入到 LLM 的上下文信息。

值得注意的是，邱锡鹏团队提出的 Context Scaling 为我们提供了新的思路。与针对LLM输出侧的Test-Time Scaling不同，Context Scaling聚焦于输入侧的上下文优化。这里的 Context 不仅与 Agent 的 Memory 模块和 Plan 模块紧密相关，而且包含了对于用户和当前任务具有关键价值的"暗知识"(Tacit Knowledge)。

单纯依赖框架创新已经不足以建立决定性优势，Context Engineering 才是决定 Agent 性能天花板的关键技术。要想构建真正可靠的 Agent，就必须以人为本、以任务为导向地去构建喂给 LLM 的高质量 Context。

当前市面上的许多 Agent 框架，看似提出了各种精妙的结构，但很多时候只是花架子，反而误导了初学者，让他们舍本逐末。为什么有的 Multi-Agent 比 Single-Agent 效果差，有的却好得多？其中最关键的区别就在于 Context Engineering 的深度与广度。一个设计精良的 Multi-Agent 系统，其核心优势正是在于对 Context 的精细化管理和传递。

Claude Code 的强大之处不仅在于其背后模型的卓越能力，更在于其完备且高质量的 Tools 集成。然而，这些都不是 Claude Code 真正脱颖而出的关键所在。真正让 Claude Code 跻身全球 T0 级别 Agent 行列的核心竞争力，是其精心设计的 Context Engineering。

所以我说，目前构建 Agent 最重要的，就是 Context Engineering！

为此，不同 LLM/Agent 公司给出了不同的做法，但万变不离其宗，就是要围绕用户需求和用户体验，以及 Agent 自身的需求和体验来设计。

正像邱锡鹏老师所说的，现在该到 Context Scaling了。

构建 Agent 的开发者们，是时候把目光从花哨的框架中移开，好好深入了解一下 Context Engineering 了。这，才是王道！