Context | AI Coding Dictionary
這篇文章解釋了 AI 程式碼字典中「上下文（Context）」的概念，強調它是指 Agent 當下可用的相關資訊，而非模型視窗或歷史記錄。內容指出，上下文品質取決於內容而非數量，若資訊陳舊或無關，即使視窗滿載也會導致失敗。
上下文工程
Context Engineering ・ 58 筆內容
決定每一步該給模型看什麼：上下文的取捨、壓縮與記憶。
也叫做：上下文工程、context engineering、context window、上下文、長期記憶、agent memory、compaction、context rot
學習路徑
由淺入深：入門 → 進階 → 高階
入門初窺門徑
Context | AI Coding Dictionary
AI Hero（Matt Pocock）● 有原文
【生成式人工智慧與機器學習導論2025】第 2 講：上下文工程 (Context Engineering) — AI Agent 背後的關鍵技術（在新分頁開啟原站）
Hung-yi Lee1 小時 50 分○ 無原文
免费公开我的全部context，并为你的AI设计了工具（在新分頁開啟原站）
课代表立正3 分鐘○ 無原文
進階登堂入室
Why Context Alone Isn't Enough for Enterprise AI Agents | WisdomAI CPO Kapil Chhabra
Chain of Thought1 小時 23 分● 有原文
Context engineering with Dex Horthy（在新分頁開啟原站）
The Pragmatic Engineer1 小時 32 分○ 無原文
Loop Engineering 是什麼？開發人員居然不愛最強模型？｜泛科學院（在新分頁開啟原站）
泛科學院16 分鐘○ 無原文
This change makes /grill-me SO MUCH BETTER（在新分頁開啟原站）
Matt Pocock2 分鐘○ 無原文
高階爐火純青
Effective context engineering for AI agents
Anthropic Engineering Blog● 有原文
排行前 24 名
依相關、人氣、新鮮度綜合排序；站長推薦的加成
Context window | AI Coding Dictionary
本文解釋了 AI 程式碼字典中的「上下文視窗」概念。它定義了模型在每次請求中看到的有限且特定的資訊序列，包括系統提示、對話歷史及工具結果。內容強調上下文是模型感知的唯一介面，且會隨著對話不斷增長，若超過限制則需壓縮或清除。
- 4,500次觀看
※ 摘要僅根據標題與說明
Context engineering with Dex Horthy（在新分頁開啟原站）
本訪談探討了由 HumanLayer 創始人 Dex Horthy 提出的「情境工程」概念，旨在透過系統化方法解決大語言模型（LLM）的上下文限制問題。
※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 2 講：上下文工程 (Context Engineering) — AI Agent 背後的關鍵技術（在新分頁開啟原站）
本講介紹生成式 AI 與機器學習中上下文工程的重要性，說明如何透過上下文理解 AI Agent 的決策邏輯，並探討未來 AI 如何能自主規劃任務。
17.6 萬次觀看※ 摘要僅根據標題與說明
Anthropic, OpenAI & Thoughtworks on Context Engineering（在新分頁開啟原站）
探討如何透過上下文工程提升 AI 效能，並分析 Anthropic、OpenAI 與 Thoughtworks 在該領域的動態。
1,100次觀看※ 摘要僅根據標題與說明
Harness、Context Engineering、Graph Engineering，AI 新词轮换，学还是不学？ | 回到Axton（在新分頁開啟原站）
探討 AI 新詞如 Context Engineering、Graph Engineering 與 DeepSeek Harness 的演變。作者指出，新詞不意味著舊方法失效，而是根據具體情況判斷是否需調整工作流。
6,425次觀看※ 摘要僅根據標題與說明
Loop Engineering 是什麼？開發人員居然不愛最強模型？｜泛科學院（在新分頁開啟原站）
探討 Loop Engineering 概念，指出開發人員因模型能力不足而放棄使用，並介紹如何透過此方法提升模型效能。
※ 摘要僅根據標題與說明
AI Agent (1/3)：核心技術 Context Engineering 基本概念解說（在新分頁開啟原站）
本影片由李一駿助教解說 AI Agent 的核心技術 Context Engineering，透過背景知識與解剖小龍蝦案例，讓讀者理解 AI Agent 如何透過上下文理解並執行任務。
11.6 萬次觀看※ 摘要僅根據標題與說明
- 9.2 萬次觀看
※ 摘要僅根據標題與說明
This change makes /grill-me SO MUCH BETTER（在新分頁開啟原站）
介紹 Matt 如何透過回合制的新問答系統最佳化 /grill-me，減少等待時間與上下文切換，並處理問題依賴關係。
9.5 萬次觀看※ 摘要僅根據標題與說明
Why Context Alone Isn't Enough for Enterprise AI Agents | WisdomAI CPO Kapil Chhabra
本訪談探討企業 AI 代理如何透過「上下文工程」建立信任。Kapil Chhabra 指出，僅有模型不夠，需結合準確性、一致性、治理與可解釋性。
Context Engineering for Coding Agents（在新分頁開啟原站）
介紹如何透過 Context Engineering 提升程式碼代理的效能，讓它們能更精準地理解與執行任務。
538次觀看※ 摘要僅根據標題與說明
Most devs don’t understand how context windows work（在新分頁開啟原站）
影片解釋了大語言模型如何透過上下文視窗來理解對話，並指出許多開發者對此概念仍存誤解。
※ 摘要僅根據標題與說明
Hermes Architecture EXPLAINED: Memory, Context & Gateways（在新分頁開啟原站）
介紹了 Hermes 架構，解釋其如何透過 Memory、Context 與 Gateways 來管理 AI 模型，並說明其運作原理。
10.6 萬次觀看※ 摘要僅根據標題與說明
- 5.7 萬次觀看
※ 摘要僅根據標題與說明
Effective Context Engineering for AI Agents (why agents still fail in practice)（在新分頁開啟原站）
探討 AI 代理為何在實際應用中仍常失敗，並介紹如何透過情境工程來解決此問題。
2.8 萬次觀看※ 摘要僅根據標題與說明
Why Context Beats Every Prompt You'll Ever Write（在新分頁開啟原站）
探討 AI 開發者常誤以為重點在撰寫精確提示，實則應聚焦於管理上下文。作者 Guy Podjarny 與 Simon Maple 提出「上下文開發生命週期 (CDLC)」框架，說明如何建立政策、平台資料與應用情境的三層結構，並提供如何透過…
※ 摘要僅根據標題與說明
- 1,100次觀看
※ 摘要僅根據標題與說明
使用 Claude Code：会话管理与 100 万 上下文
深入解析 Claude Code 的上下文管理策略，涵蓋會話切換、回溯、壓縮與子智慧體的最佳實踐。作者 Thariq 指出，面對 100 萬詞元的超大視窗，使用者需學會在任務新起點時開啟新會話，或在需要保留部分歷史時利用回溯功能。
AI Dev 26 x SF | Brandon Waselnuk: Building the Context Engine AI Agents Need（在新分頁開啟原站）
介紹了 AI Dev 26 中 Brandon Waselnuk 關於如何建構 Context Engine 的演講內容，探討 AI 代理如何透過上下文理解需求。
989次觀看※ 摘要僅根據標題與說明
Episode 65: The Rise of Agentic Search（在新分頁開啟原站）
探討 Agentic Search 如何改變搜尋與軟體開發的範疇。Jeff Huber 介紹了如何設計上下文工程，解決上下文過載問題，並分享如何構建具備自主能力的智慧體系統。
※ 摘要僅根據標題與說明
Intelligence ≠ Knowledge: Why Context Beats Bigger Models（在新分頁開啟原站）
回顧 2025 年的混亂，預測 2026 年 AI 將進入高風險現實。內容探討了從提示工程轉向以上下文為核心競爭優勢的趨勢，以及企業級開放模型與 AI 程式設計多玩家並存的展望。
※ 摘要僅根據標題與說明
How New Libraries Saw a 50% Improvement | Maria Gorinova（在新分頁開啟原站）
Maria Gorinova 與 Simon Maple 探討 AI 原生開發中結構化上下文如何提升抽象能力，並提出透過測量來驗證代理可靠性的觀點。
※ 摘要僅根據標題與說明
最新
依發布時間
The $600 PR: Where Software Factory ROI Really Comes From
探討軟體工廠的投資回報率（ROI），指出絕大部分來自於上下文、驗證與回饋迴圈，而非模型或程式碼生成器本身。作者 Rob Willoughby 展示 Tessl 內部工廠如何透過 80% 的程式審查（PR）來最佳化系統，並說明透過形式化驗證…
47次觀看OpenAI 研究揭 AI Agent 新風險：惡意上下文可能從 Email 一路傳到工具操作
OpenAI 揭露 AI Agent 面臨「自我複製提示詞注入」新風險，惡意指令可透過 Email 等外部資料流轉，誘導 Agent 將相同指令帶入後續輸出，形成類似蠕蟲的攻擊鏈。
Steve Yegge, Geoffrey Huntley & More: AI DevCon NYC 2026（在新分頁開啟原站）
AI DevCon NYC 2026 將聚焦於軟體工廠，探討從上下文工程到代理程式設計的未來。影片介紹了企業級新軌道、手動工作坊，以及 Steve Yegge、Geoffrey Huntley 等專家對代理程式設計與 Ralph Loop…
※ 摘要僅根據標題與說明
What It Actually Takes to Build a Software Factory — Tereza Tížková, Factory（在新分頁開啟原站）
介紹 Factory 軟體工廠的概念，即自主執行的完整軟體生命週期。講者提出三大原則：保持中立、自主運作及持續改進。她強調人工決策比程式碼更重要，並分享如何透過自動路由模型與最佳化上下文引擎來降低成本。
7.8 萬次觀看※ 摘要僅根據標題與說明
Why Context Alone Isn't Enough for Enterprise AI Agents | WisdomAI CPO Kapil Chhabra
本訪談探討企業 AI 代理如何透過「上下文工程」建立信任。Kapil Chhabra 指出，僅有模型不夠，需結合準確性、一致性、治理與可解釋性。
Next-token prediction | AI Coding Dictionary
這篇文章解釋了 AI 模型運作的核心機制：它透過「下一個詞預測」來逐個生成輸出。模型根據上下文視窗內的詞頻機率隨機選取下一個字，並追加到結果中，重複此過程。
Context | AI Coding Dictionary
這篇文章解釋了 AI 程式碼字典中「上下文（Context）」的概念，強調它是指 Agent 當下可用的相關資訊，而非模型視窗或歷史記錄。內容指出，上下文品質取決於內容而非數量，若資訊陳舊或無關，即使視窗滿載也會導致失敗。
Model provider request | AI Coding Dictionary
本文解釋了 AI 程式碼字典中「模型提供者請求」的概念，說明單一使用者訊息可能引發多輪模型請求，每輪請求都包含完整上下文，且請求本身是計費單位。
Context window | AI Coding Dictionary
本文解釋了 AI 程式碼字典中的「上下文視窗」概念。它定義了模型在每次請求中看到的有限且特定的資訊序列，包括系統提示、對話歷史及工具結果。內容強調上下文是模型感知的唯一介面，且會隨著對話不斷增長，若超過限制則需壓縮或清除。
Parametric knowledge | AI Coding Dictionary
本文解釋了 AI 的引數知識，即訓練時被固定、無法更新的知識。這種知識源於訓練資料，用於處理常見問題但對稀有情況可能產生虛構。它與上下文知識相對，且會隨著時間老化，無法補充新資訊。
Token | AI Coding Dictionary
Token 是 AI 模型讀寫的基本單位，約為一個英文單字的 3/4。它決定了模型的上下文視窗大小、計算成本與延遲。文章解釋了 tokenizer 如何將文字轉為 token，並指出程式碼與自然語言在 token 數量上的差異，強調避免使…
