上下文工程分层组装之完整解析
Context Engineering比 Prompt Engineering 更准确。大多数人的反应是"回去优化 prompt 措辞"。但这完全理解反了。
他们说的不是怎么写好一段文字，而是怎么构建一个组装信息的系统。
真正的生产级 Agent，System Prompt 根本不是一段文字。它是两个引擎协作产出的结构化文档：一个叫 PromptEngine 的内容工厂，负责构建十层内容——身份、语言策略、持久记忆、工具集、入口配置、技能目录、工具行为指导、模型适配约束、上下文文件、平台环境。另一个叫 PromptAssembler，把这十层产物分别包裹进带 id 和 title 属性的 XML 标签里。
整个过程是纯代码逻辑，不经过 LLM。模型只负责执行任务，不负责组装自己的 prompt。
安全是最容易被忽略的维度。Agent 的 prompt 里混入了大量外部文件——SOUL.md、MEMORY.md、AGENTS.md、CLAUDE.md、.cursorrules。每一段在进入 prompt 前都要经过确定性的安全扫描：检测 10 个不可见 Unicode 字符和 10 条 prompt 注入正则。检测到威胁不是删除内容，而是替换成 BLOCKED 标记——让 Agent 知道发生了什么。
对话压缩也不是随便截断。当 token 数达到上下文预算的 70%，系统把旧对话发给 LLM 生成 7 节结构化摘要——已解决、待处理、剩余工作、稳定目标、已做决定、文件路径、重要偏好。关键决策不会因为压缩而丢失。
模型适配更是多数框架没考虑的维度。同一个 Agent，切换到 GPT 系列和切换到 Gemini 系列，收到的执行约束 prompt 完全不同——因为不同模型有不同的"毛病"，需要不同的约束来纠正。
行业在讨论"怎么往上下文窗口塞正确信息"，生产系统已经在解决"当外部内容藏了恶意指令怎么拦截"、"窗口装不下时怎么智能打包"、"不同模型怎么自动适配"。这就是从写作技巧到系统工程的范式转移。
下次审视你的 Agent，问四个问题：prompt 有没有分层结构？外部内容进入前有没有安全扫描？对话变长时有没有结构化压缩？不同模型有没有自动适配约束？
如果你的答案是否定的，你的 prompt 架构还是一栋没有图纸的房子。住人可以，防震不行。