引言：AI Agent 的竞争正在从提示词转向上下文设计

随着 Claude 5 等新一代大模型逐渐应用到软件开发场景，开发者对于 AI Agent 的构建方式正在发生变化。

过去，很多团队提升模型效果的方法，是不断增加系统提示词内容。例如：

告诉模型代码规范；

补充项目背景；

增加大量操作规则；

重复强调禁止事项。

这种方式在早期模型能力有限时确实有效，但随着模型理解能力提升，过度堆叠系统提示词反而可能带来新的问题。

上下文过长会增加模型理解成本，也可能导致不同规则之间出现冲突。

近年来，Claude Code 团队提出的上下文工程理念，引发了开发者关注：优秀的 AI Agent 并不依赖越来越长的系统指令，而是通过合理组织上下文，让模型在正确时间获得正确的信息。

简单来说，未来 AI 应用优化重点可能不再是“写更多提示词”，而是“设计更合理的信息结构”。

一、上下文工程和提示词工程有什么区别？

很多开发者第一次接触上下文工程时，会将它理解为更复杂的 Prompt Engineering。

实际上，两者关注的问题并不完全一样。

提示词工程主要解决：

“如何告诉模型应该做什么？”

而上下文工程关注：

“模型在执行任务时，应该看到哪些信息？”

一个完整 AI Agent 的上下文通常包含多个部分：

系统提示词；

项目说明文件；

工具定义；

技能模块；

历史记忆；

外部资料；

代码和测试环境。

系统提示词只是其中一部分。

例如，一个 AI 编程助手在修改项目代码时，并不需要每次都加载完整开发规范。

它真正需要的是：

当前任务相关的代码；

对应模块的设计约束；

必要的测试规则。

如果把整个项目文档、所有历史记录、所有规则一次性塞入上下文，模型虽然获得更多信息，但处理效率和判断准确性未必提升。

因此，新一代 AI Agent 更强调上下文分层。

二、为什么 Claude Code 开始减少系统提示词依赖？

早期 AI 编程工具通常依赖大量系统指令。

原因很简单：

模型需要人为告诉它如何工作。

例如：

代码应该如何格式化；

什么时候需要写测试；

什么时候不要修改文件；

如何处理异常情况。

但随着 Claude 5 这类模型能力提升，模型对于软件工程环境的理解能力增强。

很多过去需要人工规定的行为，现在模型可以根据：

代码上下文；

项目结构；

工具描述；

已有实现方式；

自行判断。

因此，部分固定规则可以从系统提示词中移除。

这并不意味着规则不重要，而是规则的位置发生变化。

以前：

所有规则集中写入系统提示词。

现在：

不同信息放入最适合的位置。

例如：

项目架构放在项目说明文件；

代码检查流程放入技能模块；

接口约束写入工具定义；

测试标准通过测试代码表达。

这种方式能够让上下文更加清晰。

三、六个上下文工程变化：从“告诉模型”到“设计环境”

1. 减少绝对化规则，让模型理解项目习惯

很多旧式 Prompt 喜欢使用大量固定规则：

“禁止这样做。”

“一定不要这样写。”

“永远不要创建某类文件。”

这种方式的问题是，它假设所有场景都是固定的。

但真实软件项目非常复杂。

一个规则在某个模块中成立，在另一个模块可能并不适用。

更合理的方法，是让模型参考已有代码风格。

例如：

不要告诉模型“所有函数必须如何命名”。

而是让它观察当前项目已有函数结构。

不要规定“所有组件必须采用某种形式”。

而是让模型遵循现有组件设计。

对于安全边界、权限控制等必须严格执行的内容，仍然需要明确限制。

但对于普通开发习惯，可以更多依赖项目上下文。

2. 从示例驱动转向接口设计驱动

很多开发者在设计 AI 工具时，会习惯给模型大量调用示例。

例如：

告诉模型：

调用工具 A 时，需要传入：

参数1；

参数2；

示例格式如下。

但更好的方式，是让工具本身具备清晰描述能力。

一个设计良好的工具接口，本身就应该告诉模型：

参数代表什么；

有哪些可选值；

什么情况下使用；

有哪些限制。

例如：

状态字段不要使用：

status:1

status:2

这种模型难以理解的设计。

更推荐：

status: pending running completed

让接口本身成为说明文档。

对于 AI Agent 来说，工具设计质量会直接影响模型执行效果。

四、CLAUDE.md 不应该成为“超级提示词”

在 Claude Code 等 AI 编程工具中，很多开发者会使用类似 CLAUDE.md 的项目说明文件保存规则。

但随着模型能力提升，这类文件的定位也需要重新调整。

一个常见误区是，把 CLAUDE.md 当成项目百科全书。

里面包含：

完整开发规范；

所有业务背景；

历史讨论记录；

所有技术决策；

各种特殊情况说明。

这种做法短期看似方便，但长期会导致上下文越来越臃肿。

模型每次进入项目时都需要处理大量并不相关的信息，而真正影响当前任务的内容可能只占很小一部分。

更合理的方式，是让 CLAUDE.md 成为项目入口。

它主要负责告诉模型：

这个项目是什么；

核心技术栈是什么；

重要目录在哪里；

有哪些不能忽视的问题。

例如：

项目采用什么框架；

数据库结构有哪些特殊设计；

哪些目录不能随意修改；

哪些操作需要额外确认。

至于更加细节的内容，可以拆分到其他位置。

例如：

代码审查规则放入 Code Review Skill；

测试要求放入 Testing Skill；

接口规范放入 API 文档；

部署流程放入 Deployment 文档。

这样模型可以根据任务需要加载信息，而不是每次都阅读全部内容。

五、从全量上下文到渐进式加载：让 AI 只获取需要的信息

上下文工程中的一个重要理念，是渐进式披露（Progressive Disclosure）。

简单理解：

不要一开始告诉模型所有事情。

而是在需要的时候提供相关信息。

这和人类工程师工作的方式类似。

一个开发人员加入项目，并不会第一天就阅读整个代码库。

通常流程是：

先了解项目目标；

查看当前负责模块；

阅读相关代码；

遇到问题再查阅具体文档。

AI Agent 也应该采用类似方式。

例如，一个项目可以设计为：

project/

├── CLAUDE.md

├── skills/

│   ├── code-review.md

│   ├── testing.md

│   └── deployment.md

│

├── docs/

│   ├── api-design.md

│   └── architecture.md

│

└── tests/

其中：

CLAUDE.md 保存基础信息；

skills 保存可复用能力；

docs 保存详细资料；

tests 保存实际行为标准。

当模型需要修改接口时，加载 API 相关信息。

当模型需要优化代码时，调用代码审查规则。

当模型需要部署项目时，再读取部署流程。

这种结构能够减少无效上下文，提高任务执行效率。

六、工具描述正在成为新的“模型说明书”

在 AI Agent 开发过程中，工具设计的重要性越来越高。

过去，开发者往往把大量工具使用规则写在系统提示词里。

例如：

什么时候调用数据库工具；

什么时候读取文件；

如何处理返回结果。

但现在更推荐将这些信息直接设计到工具定义中。

原因在于：

工具本身就是模型工作环境的一部分。

如果工具参数设计清晰，模型可以直接理解使用方式。

例如：

一个查询订单工具。

低质量设计：

query(order_id)

模型不知道：

order_id 是什么格式？

是否支持多个订单？

查询失败怎么办？

而更好的设计：

query_order(
 order_id: 用户订单编号,
 status: optional,
 include_history: boolean
)

工具定义本身已经提供了必要信息。

对于 AI Agent 来说，优秀的工具设计相当于给模型提供了一套明确的操作接口。

七、从手动记忆到结构化记忆

另一个变化是 AI Agent 的记忆方式。

过去很多开发者会把所有重要信息手动记录下来。

例如：

“上一次讨论决定采用方案 A。”

“这个 Bug 已经解决。”

“这个需求暂时不处理。”

但这些内容通常属于临时状态。

如果全部写入项目说明文件，会让长期信息和短期信息混杂。

更合理的方式，是区分：

长期知识；

项目规则；

临时任务状态。

长期知识包括：

技术架构；

代码规范；

业务规则。

这些应该长期保存。

临时状态包括：

当前任务进度；

最近一次修改；

暂时方案。

这些应该通过会话记忆或者任务记录管理。

这种区分能够避免项目文档不断膨胀。

八、多模型时代，上下文管理成为新的工程问题

虽然 Claude 5 上下文工程理念主要针对 Claude Code 场景，但对于企业使用多个 AI 模型的情况，同样具有参考价值。

现在很多团队不会只使用一个模型。

实际应用中可能同时接入：

Claude 系列模型；

GPT 系列模型；

Gemini 系列模型；

国产大模型。

不同模型对于上下文处理方式存在差异。

有些模型擅长长上下文理解，有些模型更依赖明确指令，有些模型在工具调用方面表现更好。

因此，企业在构建 AI 系统时，需要考虑：

不同模型是否使用同一套提示词？

哪些上下文应该共享？

哪些规则需要针对模型调整？

这些问题逐渐成为 AI 工程架构的一部分。

九、大模型 API 中转站如何帮助多模型接入？

当企业同时管理多个模型时，API 接入方式也会影响开发效率。

如果每个模型都直接连接官方 API，通常需要分别处理：

接口格式；

认证方式；

调用限制；

日志管理。

随着模型数量增加，维护成本也会上升。

因此，大模型 API 中转站（AI API Gateway）逐渐成为一种常见方案。

它通过统一接入层，将不同模型 API 进行集中管理，让业务系统不需要频繁调整底层调用逻辑。

例如，一个企业应用可能今天调用 Claude 5，后续测试 GPT 系列模型，或者根据任务类型切换不同模型。

如果应用层和模型层高度绑定，每一次调整都会涉及代码修改。

而通过 API 接入层，可以让模型管理更加灵活。

十、星链4SAPI这类 API 接入方案在实际开发中的作用

在多模型开发场景中，星链4SAPI这类大模型 API 接入平台，主要解决的是模型调用管理问题。

开发者可以通过统一接口方式接入不同模型，将模型选择、接口适配等工作集中处理。

例如在开发 AI Agent 时，需要测试 Claude 5 在代码分析任务中的表现，同时比较其他模型在成本和响应速度方面的差异。

如果每次切换模型都需要重新修改业务代码，会降低开发效率。

通过统一 API 接入方式，可以减少模型切换过程中的工程调整，让开发团队更加关注 Agent 逻辑、工具设计和业务流程。

当然，实际生产环境仍然需要结合项目情况考虑数据安全、权限控制、调用成本等因素。

十一、如何实际优化 Claude Code 项目的上下文结构？

理解上下文工程之后，真正需要解决的问题是：已有项目应该如何调整？

很多团队已经积累了大量 Prompt、项目说明文档和开发规范，如果一次性全部删除，反而可能影响 AI 工具使用效果。因此，更合理的方法是逐步梳理，将不同类型的信息放到合适的位置。

第一步，可以先检查现有系统提示词。

很多项目里的系统提示词经过长期迭代，往往会积累大量历史规则。其中一部分规则可能来自早期模型能力不足时期，例如要求模型固定输出格式、重复强调代码习惯、限制一些普通操作。

这些内容可以重新评估。

如果模型已经能够根据项目代码和上下文自行判断，就没有必要继续作为强制规则存在。

但涉及安全、权限、数据处理等内容时，仍然需要保留明确约束。

第二步，重新整理项目说明文件。

一个好的项目上下文结构，不应该让模型每次都阅读大量背景资料。

例如，一个大型项目可能包含：

业务说明；

技术架构；

数据库设计；

接口文档；

部署流程；

测试规范。

这些内容对于人类开发者有价值，但对于每一次 AI 调用来说，并不是全部需要。

更合理的方式，是按照使用场景拆分。

项目入口文件只保存：

项目目标；

主要技术栈；

目录结构；

关键注意事项。

具体细节通过引用或技能模块加载。

这样既保留了项目知识，又避免上下文浪费。

第三步，让测试代码成为行为规范。

在传统软件开发中，文档经常存在滞后问题。

项目更新之后，文档可能没有及时同步。

但测试代码通常更加接近真实需求。

对于 AI Agent 来说，测试不仅是验证工具，也可以成为一种上下文。

例如：

一个支付接口应该如何处理异常？

一个用户权限系统应该限制哪些操作？

一个数据同步任务需要满足什么条件？

这些都可以通过测试案例表达。

相比文字描述，测试代码提供了更加明确的执行标准。

十二、如何减少无效上下文，提高 AI Agent 工作效率？

上下文管理的目标，并不是让模型知道更多，而是让模型在正确时间知道正确内容。

很多开发者在使用 AI Agent 时，会遇到一个问题：

上下文越加越多，但效果没有明显提升。

原因通常不是信息不足，而是信息质量不足。

无效上下文主要包括：

已经过期的规则；

重复描述；

与当前任务无关的文档；

历史讨论记录。

这些内容不仅占用上下文窗口，还可能干扰模型判断。

因此，优化上下文时，可以关注三个方向：

第一，减少重复信息。

如果工具描述已经说明参数作用，就没有必要再次在系统提示词中重复。

如果项目代码已经体现命名规则，也不需要额外写大量规范说明。

第二，减少永久加载内容。

并不是所有知识都需要长期存在。

例如：

某次重构方案；

临时测试要求；

一次性迁移步骤。

这些内容完成任务后，就应该归档，而不是一直影响后续请求。

第三，提高信息结构化程度。

相比一大段自然语言说明，结构化信息通常更容易被模型理解。

例如：

技术栈列表；

接口定义；

测试标准；

目录约束。

这些内容可以通过代码、配置文件、Schema 等方式表达。

对于 AI Agent 来说，结构化信息通常比长篇说明更加有效。

十三、Claude 5 时代，多模型协作会成为常态

虽然 Claude 5 上下文工程主要关注 AI 编程场景，但它反映出的趋势实际上适用于整个大模型行业。

未来企业很可能不会固定依赖某一个 AI 模型。

原因在于：

不同模型会在不同方向形成优势。

有的模型适合复杂推理；

有的模型适合快速响应；

有的模型适合低成本批量任务。

因此，多模型协作会成为 AI 应用的重要形态。

例如，一个企业智能助手可能采用：

一个模型负责复杂分析；

一个模型负责知识检索；

一个模型负责简单问答；

一个模型负责批量处理。

这要求企业具备更加灵活的模型管理能力。

十四、大模型 API 中转站成为多模型应用的重要基础设施

当模型数量增加后，API 管理问题会越来越明显。

如果企业直接连接多个模型服务，需要分别维护：

API 调用方式；

密钥管理；

请求格式；

异常处理；

调用统计。

对于研发团队来说，这会增加额外维护成本。

因此，大模型 API 中转站逐渐成为连接应用和模型之间的重要基础层。

它类似传统软件架构中的服务网关。

上层应用只需要关注业务逻辑，而底层模型变化可以通过接入层进行调整。

例如：

应用调用“代码分析能力”。

底层可以根据任务需求选择 Claude 5、GPT 系列或其他模型。

这种方式能够降低模型变化对业务系统的影响。

十五、星链4SAPI在多模型开发中的应用思路

在实际 AI 应用开发过程中，类似星链4SAPI的大模型 API 接入方式，可以帮助开发者更方便地管理不同模型调用。

例如，一个团队正在开发 AI 编程助手。

前期可能需要测试：

Claude 5 的代码理解能力；

GPT 系列模型的通用推理能力；

其他模型在成本和速度方面的表现。

如果每次测试都需要重新修改底层接口，会影响开发效率。

通过统一 API 接入层，可以让模型调用更加标准化。

开发团队可以把更多精力放在：

Agent 工作流设计；

工具开发；

业务场景优化；

用户体验改进。

需要注意的是，API 接入方式只是基础设施的一部分。

实际企业应用仍然需要结合权限管理、数据安全、日志审计等体系。

十六、上下文工程未来的发展方向

从 Claude Code 的变化可以看到，AI 应用开发正在进入新的阶段。

过去：

开发者不断优化 Prompt。

现在：

开发者开始设计完整上下文系统。

未来：

上下文工程可能会成为 AI 应用架构中的标准能力。

类似传统软件开发中的数据库设计、接口设计、系统架构设计，上下文设计也会成为 AI 工程师需要掌握的重要技能。

优秀的 AI Agent 不一定拥有最长的提示词，而是拥有更加合理的信息组织方式。

模型越来越强之后，人类需要做的事情不是告诉模型每一步怎么做，而是设计一个能够让模型正确工作的环境。

总结

Claude 5 等新一代模型的发展，让 AI Agent 的构建方式发生变化。

过去很多团队依赖大量系统提示词控制模型行为，但随着模型理解能力增强，更有效的方法正在转向上下文工程。

减少无效规则、拆分知识模块、优化工具设计、建立多模型管理体系，这些都会成为未来 AI 应用开发的重要方向。

对于企业而言，真正需要建设的并不是一套固定 Prompt，而是一套能够适应模型持续变化的 AI 基础设施。

在这个过程中，大模型 API 中转站、统一模型管理平台以及灵活的接入架构，将帮助开发团队更加高效地使用 Claude 5、GPT 系列等不断更新的大模型能力。