從單點突破到全域掌控

經過了七天的修練之路，我們從「碰運氣的賭徒」進化到「有方法的煉金師」。我們學會了精準的提示配方、理解了記憶腐化的陷阱、掌握了防幻覺的秘技。但今天，是時候站在更高的視角，俯視整個 AI 煉金工房的全貌了。

這就是 Context Engineering 的終極奧義：不是單純的技巧堆疊，而是系統性的認知架構設計。

Context Engineering 的六大組成要素

Context Engineering 包含了六個核心組成部分，每個部分都扮演著不同的角色，共同構成了 AI 的完整認知環境：

Instructions / System Prompt - 系統的基礎設定

整個系統的「憲法」，定義了 AI 的基本人格、專業領域、思考方式與行為準則。

User Prompt - 當前任務的具體指令

每次互動的「任務簡報」，需要清晰、具體、可執行。包含目標、方法、格式與約束四個層次。

Long-Term Memory - 長期記憶與經驗累積

AI 的「長期記憶庫」，儲存對話歷史、偏好設定、累積經驗，讓每次互動都能建立在過往經驗基礎上。

State / History - 短期記憶與對話脈絡

當前對話的「工作記憶」，記錄對話進展與邏輯脈絡，確保 AI 保持連貫性。

Retrieved Information (RAG) - 外部知識的即時檢索

昨天我們深入探討的 RAG 技術，為 AI 配備「智慧型圖書館助理」，提供準確、即時的外部知識。

Available Tools - 工具整合與行動能力

AI 從「純思考者」進化為「行動者」的關鍵，透過工具整合執行具體任務。

什麼你說圖片有7個? 六大天王有七位不是基本常識嗎? 是我把它夾在 User Prompt 中囉

Context7：RAG 與 Tools 的完美結合

讓我們看看一個實戰例子，展示要素間如何協同運作。

Context7 解決了所有開發者的痛點：AI 總是生成過時或錯誤的程式碼。因為 AI 基於舊資料訓練，面對 Next.js 15、Tailwind 4 等新版本時，經常虛構不存在的 API。

傳統方式 vs Context7

傳統方式的困境：

開發者：「幫我用 @upstash/redis 寫一個 stream trim 命令」
AI：「好的，你可以這樣寫...」（生成錯誤程式碼）
開發者：「這個不工作，linter 報錯了」
AI：「抱歉，讓我重新寫...」（依然錯誤）

使用 Context7 (MCP 模式)：

開發者：「幫我改寫這段程式，use context7」
→ MCP 自動呼叫 Context7 工具
→ 自動檢索 @upstash/redis 最新官方文檔
→ 將準確的 API 文檔注入到上下文中
→ AI 基於最新文檔生成正確程式碼

RAG 提供準確資訊，Tools 簡化操作流程，兩者結合並將相關文件注入至上下文中，大幅提升我們的開發效率。

從工匠到系統架構師的躍遷

Context Engineering 代表了思維的根本轉變：

Prompt Engineering 時代：

• 專注單次互動最佳化
• 依賴精巧指令技巧
• 每次重新建立脈絡

Context Engineering 時代：

• 設計完整認知系統
• 管理多元素動態平衡
• 建立持續學習的 AI 夥伴

就像從單一工藝師升級為系統整合師，我們不再只是優化單次指令，而是設計整個認知系統的協作邏輯。不過 Prompt Engineering 依然重要，但現在它是系統中的一個核心組件，而非唯一工具。

下一步：Context 管理的常見作法

掌握了 Context Engineering 的全域視野，你可能會想：「這六大要素聽起來很棒，但如果全部塞進去，不就會遇到 token 限制和 Context Rot 的問題嗎？」

你想得沒錯。明天我們將探討 Context Engineering 的核心挑戰：如何在有限的認知空間內，讓 AI 獲得恰到好處的上下文資訊。