Context Engineering，为什么
不只是 Prompt？

2025 年起，Context Engineering 取代 Prompt Engineering 成为 LLM 应用的新主线。Anthropic、Drew Breunig、LangChain、Hamel Husain 都在讲同一件事：不是 prompt 写得巧，而是 context 给得对。本期 4-Q 报告给你 4 个问题、4 个答、GitHub 项目、Python 代码示例和量化数据。

§1Context Engineering 是什么

它跟 Prompt Engineering 的区别，按 Anthropic 论文：

1 句话总结：Prompt Engineering 关注"怎么说" — Context Engineering 关注"说什么"。 后者是前者的超集，也是 LLM 应用的护城河。

§2Context Engineering 失败的 4 种方式 · Drew Breunig

Drew Breunig (2025-06) 在《How Contexts Fail, and How Designers Can Fix It》里提出 4 类失败模式。这是你做任何 agent 之前必须理解的：

这 4 类失败里，1 和 4 最致命 — 因为它们会"骗"模型，让模型以为它对了。

§3GitHub 项目 · 7 个值得看

§4好 Context Engineering 的量化效果

为什么 Context Engineering 不是 "nice to have"? — 4 个量化证据：

复合效应：如果以上 5 个 best practice 全部采用 — 综合任务成功率提升 +50-80%。这就是为什么 Context Engineering 不是 nice to have。

§5代码示例 · LangGraph Note-taking

Drew Breunig 的 Note-taking pattern 落地代码（Python + LangGraph）：

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator

class AgentState(TypedDict):
    messages: Annotated[list, operator.add]
    # Note-taking: 每次循环写一个笔记
    notes: Annotated[list, operator.add]
    scratchpad: str  # 总结性 context

def agent_node(state):
    # 1. 从 scratchpad 读 context (而不是完整 message history)
    context = state["scratchpad"]
    # 2. LLM 决策 + 写笔记
    response = llm.invoke(f"Context: {context}\nTask: ...\n\nWrite a note about what you observed.")
    # 3. 更新 scratchpad (rolling summarization)
    new_scratchpad = summarize(state["scratchpad"], response.note)
    return {"notes": [response.note], "scratchpad": new_scratchpad}

# Build graph
workflow = StateGraph(AgentState)
workflow.add_node("agent", agent_node)
workflow.add_edge("agent", END)
app = workflow.compile()

关键设计：不直接把 messages 塞进 LLM — 先做 scratchpad summarization，再喂给 LLM。这是防 context distraction 的核心。

§6所以 · Q1 答案

§7下一个问题

Q1 给出了 "context ≠ prompt + 4 类失败 + 7 repo + 5 量化"。Q2 进入 如何做好 Context Engineering — Ranked Ladder 8 个 best practice · 哪些最重要 / 哪些是 nice to have。