你是否遇過這些情況？

• 同一段提示詞昨天很好用，今天輸出卻完全不同。

• 每次開新對話，都要重新介紹公司、產品、客群與品牌語氣。

• 已經把 Prompt 寫得很長，AI 還是抓錯重點。

• 上傳了很多文件，回答反而變得更混亂。

• AI 能完成第一步，但做到第三、第四步就忘記前面的決定。

• 團隊每個人都說自己「有在用 AI」，產出的格式與品質卻無法複製。

如果你中了其中兩三項，問題可能已經不只是提示詞寫得好不好。

過去我們常把 AI 使用技巧濃縮成一句話：「把指令寫清楚。」這在單次任務裡仍然很重要。但當工作開始涉及公司背景、過往資料、多輪對話、固定格式、外部工具與持續更新的狀態，只靠一句 Prompt 就像請一位新同事完成專案，卻只在門口交代一句話，既沒有給檔案，也沒有說明前情。

此時，你需要管理的不只是「怎麼問」，而是「AI 在回答這一刻，究竟看到了什麼」。這就是 Context Engineering 想處理的問題。

Prompting 與 Context Engineering，差在哪裡？

Prompt Engineering（提示詞工程）關注的是：**指令要怎麼寫，AI 才知道要做什麼。**

它通常包含角色、任務、受眾、格式、限制與範例。例如：

你是一位 B2B 行銷編輯。
請將以下產品資訊改寫成一封給企業客戶的開發信，語氣專業、簡潔，200 字以內，結尾加入一個明確的下一步。

Context Engineering（脈絡工程）關注的則是：除了指令以外，AI 還需要哪些資訊，才能穩定完成任務；這些資訊應該在何時加入、如何更新，又該排除哪些雜訊。

所謂 Context，不只是聊天紀錄。它可能包含：

• 任務目標與限制

• 使用者、公司與產品背景

• 當次要處理的文件或資料

• 過往已做出的決定

• 成功輸出的範例

• 可使用的工具及其操作規則

• 任務目前進行到哪一個狀態

• 哪些資訊已經過期、不應再使用

Anthropic 將 Context Engineering 描述為：從所有可能資訊中，選擇並維護最適合放進有限上下文視窗的內容。重點不是把所有資料一次塞滿，而是用最少、最相關的資訊，讓 AI 在當下做出更好的行動。

如果 Prompt 像是你交代同事的那句話，Context Engineering 就是替他準備工作桌：任務簡報放在正中間、最新資料開在眼前、舊版本收起來、需要的工具已登入，並清楚標示目前做到哪一步。

先別急著升級：這 3 種任務，Prompt 就夠了

Context Engineering 聽起來更進階，但不代表所有工作都要做成複雜系統。

以下任務通常先把 Prompt 寫好即可：

1. 一次性、低風險的簡單任務

例如改寫一段文字、發想十個標題、調整 Email 語氣。任務短、背景少、完成後不需要延續狀態，一個清楚的提示詞通常已足夠。

2. 輸入資料已經完整

例如你貼上一段會議逐字稿，要求整理成「決議、負責人、期限」。來源明確、格式固定，AI 不需要另外找公司背景或調用其他工具。

3. 結果很容易由人快速驗收

如果你能在一分鐘內判斷輸出是否可用，就不必為了追求理論上的穩定性，先建立龐大的知識庫與工作流。

升級的原則不是「越複雜越專業」，而是當目前做法開始反覆造成成本，再增加必要的結構。

你需要升級了嗎？6 個使用習慣自我檢查

1. 你總是在同一段對話裡工作，因為害怕 AI 忘記

對話越長，累積的舊要求、錯誤方向與過期資訊越多。AI 看似「記得很多」，卻可能被不再相關的內容干擾。

升級訊號：你需要的不是永遠不關閉的聊天視窗，而是一份可更新的固定背景文件，加上一個乾淨的新任務空間。

2. 你每次都要重新貼品牌、產品與受眾介紹

反覆複製背景既浪費時間，也容易漏掉版本更新。

升級訊號：將長期不太改變的資訊整理成「核心背景包」，例如品牌定位、目標受眾、語氣規則、產品事實與禁用說法。每次任務只補上當次資料。

3. 你把所有檔案都上傳，希望 AI 自己找重點

更多 Context 不一定帶來更好結果。Google 在討論生產環境中的 Context Engineering 時也指出，只是不斷加入聊天紀錄、工具輸出與原始資料，會增加成本與延遲，還可能讓重要訊號被雜訊淹沒。

升級訊號：先定義任務，再決定要提供哪幾份資料；舊版、重複與無關文件先排除。

4. 你把規則、資料與任務全擠在同一段 Prompt

一段超長指令裡同時放品牌規範、參考文章、數據、當次需求與修改紀錄，之後很難知道是哪個部分造成輸出變差。

升級訊號：把內容拆成不同層次：固定規則、任務說明、當次資料、輸出格式與驗收標準。

5. 你只修正答案，沒有把修正變成下一次可用的規則

這次告訴 AI「不要這麼促銷」，下次又從頭修一次；問題不是模型沒有學會，而是你的偏好沒有被整理成可重用的 Context。

升級訊號：將反覆出現的修改寫進範例、檢查表或品牌規範，而不是留在散落的聊天紀錄裡。

6. 任務跨越多個步驟，AI 卻不知道目前進度

研究、撰稿、審稿與上架是不同階段，每一階段需要的資料與規則也不同。如果 AI 每次都看到全部內容，可能在研究階段過早寫結論，也可能在定稿階段重新推翻已確認方向。

升級訊號：明確記錄任務狀態、已確認決策、待處理項目與下一步，讓每個階段只取得需要的 Context。

從 Prompting 升級到 Context Engineering：4 個層級

不需要一步到位。你可以按照任務複雜度逐級升級。

Level 1：把單次 Prompt 寫完整

先確認指令具備五個基本元素：

• 要做什麼

• 為誰而做

• 有哪些輸入資料

• 要輸出什麼格式

• 有哪些限制與驗收標準

如果這一步都還不清楚，加入更多工具與文件只會放大混亂。

### Level 2：建立可重用的背景包

把每次都會重複的資訊，從 Prompt 中抽出來，形成可維護的背景文件。例如：

【固定背景】
- 品牌定位
- 核心受眾
- 產品事實
- 語氣原則
- 禁用詞與不可承諾事項
- 一篇理想範例

【本次任務】
- 目的
- 素材
- 截止條件
- 輸出格式

固定背景有變動時，只更新一個地方；任務完成後，也能留下可複製的結構。

Level 3：讓資料在需要時才進場

當文件變多，不要一次全部塞入。先依任務檢索相關資料，或要求 AI 在回答前指出它需要哪些檔案。

例如撰寫產品 Email 時，可能只需要客群、產品差異與本次活動資訊，不需要完整公司沿革、所有舊文案及三年的會議紀錄。

這個階段的核心問題從「我還能再放什麼？」改成「現在這一步，哪些資訊真的會改變答案？」

Level 4：加入狀態、工具與回饋循環

當 AI 不只產生文字，還要搜尋資料、更新表格、發送草稿或跨多步驟完成工作，就需要管理：

• 現在進行到哪一步

• 前一步產出了什麼

• 哪些決定已確認，不可任意改動

• 可以使用哪些工具

• 哪些操作必須由人核准

• 失敗時如何停止、回報或重試

此時 Context 已不是一份靜態背景，而是會隨任務持續更新的工作狀態。這也是 Context Engineering 對 AI Agent 特別重要的原因。

一個例子：同樣是寫週報，兩種用法差在哪裡？

只做 Prompting 時，你可能這樣問：

請幫我把以下工作整理成一份專業週報，分成本週進度、問題與下週計畫。

這適合偶爾整理一次。但如果每週都要做，你可能持續遇到相同問題：AI 不知道專案目標、不認得內部縮寫、把小事寫得太長、漏掉主管真正關心的風險。

升級成 Context Engineering 後，你會準備：

• 固定背景：專案目標、里程碑、角色與縮寫表

• 當週資料：行事曆、任務紀錄、會議決議

• 歷史狀態：上週承諾的下週計畫

• 輸出規則：主管關注的三個指標、篇幅與格式

• 驗收機制：找出尚未完成的承諾，資料不足時列為待確認

此時 Prompt 反而可以變短：

根據本週資料與專案背景產出週報。
先比對上週承諾，再整理本週進度、阻礙、風險與下週行動。
只能使用已提供的資料；缺少負責人或期限時列入待確認，不要自行補寫。

真正提升品質的，不是某個神奇句型，而是 AI 終於拿到了正確背景、最新狀態與清楚的驗收規則。

Context 不是越多越好：升級時最常見的 4 個錯誤

1. 把「大量上傳」誤認為 Context Engineering

Context Engineering 是選擇與管理資訊，不是囤積資訊。無關內容會消耗有限的注意力，也讓錯誤版本更容易被引用。

2. 沒有區分固定資訊與當次資訊

品牌定位可能半年才更新一次，活動價格卻可能每週改變。兩者混在同一份文件裡，很容易使用到過期內容。

3. 沒有註明資料日期與版本

「最新方案」若沒有日期，對 AI 並不明確。重要文件應標示更新時間、適用範圍與是否仍有效。

4. 過早追求全自動化

如果人工流程都還沒說清楚，讓 Agent 自動執行只會更快地放大問題。先把可重複的 Context 與驗收規則建立好，再考慮工具串接。

你的 AI 用法升級檢查表

• 任務仍是單次、簡單、容易驗收？先把 Prompt 寫清楚即可。

• 每次都重複交代同一背景？建立固定背景包。

• 資料很多、版本混亂？先分類、刪除過期內容，再按任務選取。

• 同樣工作品質不穩？加入成功範例與驗收清單。

• 任務跨多個步驟？記錄狀態、決策、待辦與下一步。

• AI 需要使用外部工具？定義工具用途、權限與人工核准點。

• Context 已經很長？問自己哪些內容真的會改變這次答案。

升級的不是術語，而是你管理資訊的方式

Prompt Engineering 並沒有過時。清楚的指令始終是 AI 協作的基本功。Context Engineering 也不是要取代 Prompt，而是當任務變得更長、更複雜、更需要延續時，補上單次指令無法承擔的部分。

真正的升級，不是把 Prompt 寫到幾千字，也不是把所有文件全部丟進聊天視窗，而是開始有意識地決定：AI 現在需要知道什麼、哪些資訊已經過期、哪些決定必須保留，以及結果要如何驗收。

下一次覺得 AI「怎麼又忘了」時，不妨先別急著換模型或重寫整段提示詞。檢查一下它眼前的工作桌：需要的資料是否在場？舊資料是否還堆著？當前目標是否清楚？

有時候，AI 不是不夠聰明，只是你還沒有把正確的 Context 放到它面前。