決定 AI 代理好不好用的關鍵，到 2026 年已經從「你怎麼問」轉移到「它手上有什麼資訊」。這個轉變有個名字：情境工程（Context Engineering），它正式取代「提示工程」成為打造 AI 應用的核心功夫。差別很實際——提示工程在意你怎麼下一句指令，情境工程在意整套資訊架構：代理能看到哪些資料來源、哪些知識庫是最新的、一個回合塞得下多少上下文、什麼時候去檢索什麼。今天就把情境工程在學什麼、為什麼比改提示詞更重要、以及怎麼動手練講清楚。
📖 學（核心）
先抓定義：情境工程是「設計 AI 在回答前所處的資訊環境」。 提示工程處理的是「問題本身怎麼寫」，情境工程處理的是「問題被回答時，模型周圍有哪些資料」。一個代理之所以答得準，往往不是因為提示詞多精巧，而是因為它在那一刻手上握有正確、即時、剛好夠用的上下文。把情境設計好，普通的提示詞也能跑出好結果；情境一團亂，再華麗的提示詞也救不回來。
為什麼 2026 年它變成主角？因為任務變複雜、上下文窗變成稀缺資源。 現代代理要查資料庫、呼叫工具、跨多個步驟完成任務，能塞進單一回合的資訊有限。塞太多無關內容，模型會「分心」、被雜訊帶偏，token 成本也爆掉；塞太少，它又缺乏判斷依據。情境工程的核心矛盾就在這裡：在有限的上下文預算內，放進「剛好夠、且高度相關」的資訊。這也是為什麼業界開始講「上下文預算」這個詞——把 token 當錢花。
情境工程包含四件具體的事。 一是「檢索什麼、何時檢索」：用 RAG 或工具呼叫，在需要時才把相關文件拉進來，而不是一次全塞。二是「資訊來源的治理」：哪些知識庫是當前有效的、哪些已過期，避免模型引用舊資料。三是「記憶與狀態」：跨回合、跨工作階段保存重點（短期記憶放當前任務、長期記憶放使用者偏好），不必每次重述。四是「壓縮與摘要」：對話太長時，把前文壓成摘要再帶下去，騰出空間給新內容。
MCP（模型情境協定）是情境工程的重要基礎設施，但它不是萬靈丹。 MCP 提供一套標準介面，讓代理能呼叫工具、查資料庫、跨廠商協作，不必為每個整合寫客製程式碼；到 2025 年底已有超過一萬個公開 MCP 伺服器。但 2026 年的共識更務實了：有些團隊在重視 token 效率的正式生產線上，反而回頭用「直接 API 呼叫或 CLI」，因為 MCP 的設定、schema 載入也會吃掉上下文成本。結論是——MCP 適合需要授權、多租戶、企業治理、或讓非技術團隊也能用代理的場景；單純追求效率的管線，直接呼叫反而更省。
「代理 harness」是把情境管好的那層軟體。 當單一代理裝不下複雜任務，就交給多個專職代理並行協作；協調這些代理、管理工具執行、記憶與跨工作階段狀態持久化的那層基礎設施，現在被稱為 agent harness（代理框架／載具）。可以把它想成「劇組的場務」——演員（模型）負責表演，harness 負責確保每個演員在對的時間拿到對的道具與台詞（也就是對的上下文）。
對個人使用者來說，情境工程也很實用。 你不必寫程式，也能用同一套思路把日常 AI 用得更好：給任務必要的背景檔案而非整個資料夾、明確告訴它哪份資料才是最新版、長對話到一半請它先摘要再繼續、把重複用到的偏好整理成一段「常駐設定」貼在開頭。這些都是情境工程的微型版本——管理模型手上的資訊，而不只是琢磨那句指令。
🧠 記
- 一句話：情境工程設計的是「模型回答前的資訊環境」，提示工程只管「那句話怎麼問」。
- 核心矛盾：上下文窗有限，要在預算內放進「剛好夠、且相關」的資訊（把 token 當錢花）。
- 四件事：何時檢索、來源治理、記憶與狀態、壓縮摘要。
- MCP 取捨：要授權／治理／非技術團隊用 → MCP；純求效率的生產線 → 直接 API／CLI 反而省。
✍️ 實踐
- 替一個任務做「情境清單」：挑一件你常請 AI 做的事（如寫週報），列出它真正需要的 3～5 項資訊，下次只餵這些，不要丟整包資料。
- 做一次「來源標註」：給 AI 資料時，明講「這份是最新版、以這份為準」，觀察回答準確度的差別。
- 長對話練壓縮：對話超過十幾輪時，請 AI「用五點摘要我們到目前的結論」，再用這份摘要繼續，體會上下文預算的概念。
- 建一段常駐設定：把你對某類任務的固定偏好（語氣、格式、禁忌）寫成一小段，每次貼在最前面，當作你的個人「系統提示」。
🔗 延伸學習
- Context Engineering & Model Context Protocol: Conversational AI in 2026 - indigo.ai
- Top 13 Agentic AI Trends to Watch in 2026 - Firecrawl
- The AI Agents Stack (2026 Edition) - O’Reilly
- Introducing the Model Context Protocol - Anthropic
💬 想深入？複製下面這段到 AI（ChatGPT、Claude…），再打上你的問題
你是我的「AI」學習教練。我今天在學的主題是「情境工程（Context Engineering）」，重點包括：情境工程設計的是模型回答前的資訊環境而非單句提示、上下文窗有限要在預算內放剛好夠且相關的資訊、四個面向（何時檢索、來源治理、記憶與狀態、壓縮摘要）、MCP 與直接 API 呼叫的取捨、代理 harness 的角色。請用淺白、可操作的方式回答我接下來的問題，需要時給例子和步驟。我的問題是：
↑ 複製整段貼到 AI，最後接上你的問題即可。