想像一下這個場景：你是一位室內設計師，客戶興奮地說：「請幫我設計一個溫馨舒適的客廳！」你滿懷信心地拿出最完美的設計理念、最精緻的家具配置圖，結果一踏進屋子...傻眼了。

眼前是一個迷宮般的空間：走廊彎彎曲曲、房間大小不一、樑柱四處亂竄，甚至連基本的水電管線都不知道藏在哪裡。這時候，再美的設計圖都無用武之地。

這就是我們過去幾天學到的殘酷教訓：再好的提示技巧，遇到腐化的記憶都會失效。

當科學配方遇到混亂資料庫

還記得 Day2 嗎？我們學會了角色設定、結構化指令、思維鏈引導等技巧。但 Day3-5 的 Context Rot 研究狠狠地給了我們一巴掌：

即使你用了最完美的提示範本：

你是一位有 10 年經驗的資深產品經理，請按照以下結構分析市場機會：
1. 執行摘要 (200字以內)
2. 市場現況分析 (包含數據支撐)
3. 競爭對手分析 (至少3家)
...

但如果你接著丟進去 50 份競品報告、100 頁市場調研、還有 200 條新聞剪報，AI 依然會開始產生幻覺、混淆資訊、甚至完全離題。

問題不在於「怎麼問」，而在於「看到什麼」。

兩種工程的分野：思維 vs 視野

是時候認清一個事實了：我們需要從單純的「提示工程師」升級成「資訊建築師」。

Prompt Engineering (提示工程)：教 AI 怎麼思考

• 定義角色和專業背景
• 設計思考流程和邏輯架構
• 指定輸出格式和品質要求
• 核心目標：讓 AI 用正確的方式思考

Context Engineering (情境工程)：決定 AI 看到什麼

• 選擇哪些資訊進入 AI 的視野
• 設計資訊的排列和結構層次
• 控制資訊的優先順序和關聯性
• 核心目標：讓 AI 看到正確的資訊

就像蓋房子一樣，Prompt Engineering 是室內設計，Context Engineering 是建築結構。沒有穩固的結構，再美的裝潢也是空談。

實戰對比：同樣任務，不同思路

讓我們用一個具體例子來看看兩種思路的差異：

任務：分析台灣手搖飲料市場，找出新創品牌的機會

傳統 Prompt Engineering 思路：

你是台灣飲料業資深分析師，擁有 15 年市場研究經驗。請分析以下資料，
找出新創手搖飲料品牌的市場機會。請按照市場規模、競爭態勢、消費趨勢、
進入門檻四個面向進行分析...

[接著丟入]
- 50 家手搖飲料品牌的完整資料
- 3 年來的市場調研報告 (300 頁)
- 消費者訪談逐字稿 (500 份)
- 各種新聞報導和業界分析 (200 篇)

結果：Context Rot 發作，AI 開始：

• 混淆不同品牌的數據
• 把 2022 年的趨勢當成最新發展
• 產生不存在的市場數據
• 給出模糊且矛盾的建議

Context Engineering 思路：

第一步：資訊分層處理

階段一：市場概況分析
輸入：已預處理的產業概況 (5 頁精華)
任務：理解整體市場規模和成長趨勢

第二步：競爭態勢拆解

階段二：頭部品牌分析
輸入：前 10 大品牌的關鍵指標比較表
任務：找出成功品牌的共同特徵

第三步：機會點聚焦

階段三：利基市場探索  
輸入：新興消費趨勢摘要 + 市場空白分析
任務：識別具體的進入機會

第四步：策略整合

階段四：綜合建議
輸入：前三階段的分析結論
任務：提出可執行的市場進入策略

結果：清晰、準確、可執行的市場洞察。

Context Engineering 的四大核心原則

1. 資訊篩選術：不是越多越好

就像做菜一樣，食材太多反而會搶味。AI 需要的是「剛好」的資訊量。

2. 結構設計學：讓資訊有邏輯層次

把雜亂的資料整理成有邏輯的架構，就像把書櫃分類整理一樣。

3. 注意力引導法：告訴 AI 該看哪裡

主動標示重點資訊，避免 AI 被無關細節帶偏。

4. 分而治之策略：化整為零的處理智慧

複雜任務拆解成小任務，各個擊破後再整合。

從魔法師到建築師的轉變

如果說 Prompt Engineering 讓我們從「賭徒」變成了「魔法師」，那 Context Engineering 就是讓我們從「魔法師」升級為「建築師」。

魔法師靠咒語施法，建築師懂得規劃空間。在 AI 的世界裡，我們既要會念咒語，更要會設計 AI 的「認知空間」。

下一站：深入煉金原理

學會了 Context Engineering，你是不是已經開始重新思考自己的 AI 使用方式了？
別急，這才剛開始。接下來我們要探討的 RAG、Agent 協作、記憶管理，會讓你對 AI 工作流程有更深的理解。

畢竟，從賭徒進化到煉金師，從來不是一天的事。