一、 核心概念：AI Agent 的內容管理職責

Context Engineering 的存在，主要為了解決語言模型（LLM）「輸入長度有限」以及「缺乏原生長期記憶」的挑戰。在此架構中，AI Agent 擔任語言模型的「內容經紀人」，負責精確篩選並控管餵給模型的資訊，確保輸入長度適中。

語言模型沒有記憶，只能根據當下的輸入給予回覆。例如:不能只給工具3的輸出，需要從[人類:...]+[使用工具1]+...每一次互動內容加起來到+[工具3輸出]]給語言模型，他才知道整個事件得來龍去脈

二、 Context Engineering 的四大運作機制

1. 區分上下文 (Context) 與提示詞 (Prompt)

在技術層面上，我們必須區分 Context 與 Prompt 的定義：

• Context：涵蓋了 Agent 經歷過的所有事情，包含存在外部硬碟裡的原始數據。
• Prompt：僅是 Context 的精選子集，是真正輸入給模型閱讀並處理的文字。

AI Agent的任務就是將人類的指令透過Context Engineering的方式轉換成適當長度的Prompt給語言模型

2. 資訊壓縮：極簡與深度的平衡 (Compression)

當紀錄過長時，Agent 會調用另一個模型撰寫摘要，或採用「觀察遮蔽 (Observation Masking)」技術——將冗長的工具輸出替換為「此處省略」的標籤。最優策略是結合遮蔽術與深度摘要，達成混合式的資訊壓縮，避免模型因為資訊過多而「噎死」。

觀察遮蔽-不需要將某個輸出內容全部加載到Context中，而是把輸出內容先產出成一份文件，再用[指定讀一份文件]的語句取代把整個文件內容加載到Context的長度

深度摘要-將原本已經一大串的Context請語言模型做重點摘要後，收斂成更短的語句再輸入給另一個語言模型

3. 源頭過濾與按需加載：裝備你的技能包 (Filtering & Loading)

這部分是 Context Engineering 最靈活的展現。我們可以將資訊獲取的過程類比為遊戲玩家的資源管理：

• Prompt (裝備中的技能包)： 這是此時此刻餵進模型的關鍵資訊，如同玩家為了應付眼前的 Boss，剛從商店買來並「立刻裝備」的特殊技能。
• Non-prompt (儲存進度的記憶卡)： 這是存放在硬碟中的原始數據，就像已經通關的「遊戲存檔」，隨時等待被呼叫。 AI Agent 會像老練玩家一樣，根據任務需求自主執行 Save（存檔） 與 Load（讀取） 指令，只從龐大數據中萃取相關內容，實現按需加載，避免一開始就擠爆記憶空間。

4. 子代理：外科手術式的自主修剪 (Subagent)

解決記憶爆炸的另一個策略是「分身術」。當主代理遇到繁瑣任務時，會分裂出 Subagent 去執行。這會形成迷人的「鋸齒狀」空間變化：子代理在獨立空間進行大規模運算（生長），任務完成後僅回傳最終結果（Return）並抹除中間過程（修剪）。

讓Subagent完成指定部分任務後回傳給主要Agent後就砍掉Subagent的行為，就像上面的Context壓縮摘要的方式很像

藍色線條的Context原本越來越長，在每個Subagent完成任務回傳給主Agent後砍掉Subagent，就會又縮短原本Context所需長度

三、 未來趨勢：讓 AI 擔任自己的圖書館管理員

最前沿的技術正朝向 Agentic Context Engineering 進化。當 AI 懂得像人類一樣在繁忙中萃取精華、在漫長任務中捨棄冗餘，它便具備了從單純的「文字接龍」進化到「全能助理」的跨越式能力。

四、總結[從「對話」到「執行」的權變]

Context Engineering 不僅僅是一項節省運算成本的技術，它更是 AI 從單純的「文字接龍機器」進化為「具備長跑能力之行動代理」的關鍵橋樑。透過精密的記憶調度、智慧化的資訊過濾，以及如同遊戲存檔般的按需加載機制，AI Agent 克服了硬體上的視窗限制，展現出更貼近人類直覺的運算邏輯。

當我們理解了這套「內容經紀人」的運作模式後，便能更有效地優化我們的指令與任務架構。未來，AI 的強大將不再只取決於大腦（LLM）的多寡，更取決於它如何智慧地「遺忘」瑣事、精準地「記住」核心。掌握了 Context 管理的邏輯，你也就掌握了通往未來自動化生產力的金鑰。

五、資料來源

AI Agent ：核心技術 Context Engineering 基本概念解說