什么是
context engineering？
它是从提示工程转向上下文操作的转变，是一种设计、压缩和管理AI代理工作所需完整信息环境的学科。LeanCTX就是这一自动化学科——为AI代理提供的context engineering layer。
仅靠提示 是不够的
提示工程优化的是输入。上下文工程优化的是环境。
当AI代理仅限于单轮交互时，提示工程是足够的。你构建了正确的指令，模型返回了有用的响应，工作流就结束了。
现代AI编码代理的运行方式不同。它们跨越数十个文件执行多步骤工作流，维护会话状态，并做出随时间累积决策。瓶颈不再是提示本身，而是上下文。
一个拥有完美提示但上下文不足的编码代理，可能会幻觉文件路径、丢失对先前决定的追踪，并重复已完成的工作。失败模式不是指令不好，而是代码库的图景不完整。
从提示到上下文的三个转变 转向context engineering
上下文工程代表了我们思考AI代理输入方式的一次根本性变化。
静态提示 → 动态上下文管道
上下文工程不再使用固定的系统提示，而是构建一个管道，为每个任务组装正确的上下文，只读取相关的部分，以合适的压缩级别和适当的元数据。
手动策划 → 自动化压缩
上下文工程不会像手工挑选文件一样工作，它会读取每个文件的结构，保留携带真实信号的部分，并自动压缩其余内容。
单次调用 → 跨会话持久化记忆
上下文工程增加了会话记忆、知识图谱和干净的交接机制，使智能体能够随着时间积累理解，而不是每次对话都从零开始。
什么是上下文工程 包括
上下文工程涵盖四个相互关联的领域，每个领域都解决了智能体信息环境的不同方面。
用更少的 token 承载更多信号
多种阅读模式（完整、map、signatures、entropy、aggressive），跨越 26+ 种语言的 tree-sitter AST 解析和语义分块，可将文件内容减少 60–99%，同时保留智能体做出决策所需的信息。
跨会话持久化理解
会话快照、知识图谱、交接账本和前瞻记忆允许智能体回忆先前的决策，避免重复工作，并在团队成员或智能体实例之间传递上下文。
控制智能体可访问的内容
基于角色的访问策略、 token 预算、SLO 执行和路径沙箱确保智能体在定义的边界内运行，只读取应读的内容，只花费分配的额度。
证明压缩未丢失信息
输出验证、证明工件、路径和标识符保留检查以及信息损失评分提供了可衡量的信心，确保压缩后的上下文保留了智能体所需的语义内容。
LeanCTX 的实现方式 上下文工程
LeanCTX 是一个开源的 context engineering 运行时环境，为 AI coding agents 将这些原则带入生产环境。
81 MCP 工具
一个完整的工具表面，用于读取、搜索、压缩和管理上下文，所有功能都通过 Model Context Protocol 暴露。
10 种读取模式
从全缓存读取到熵过滤压缩，每种模式都针对特定任务进行了优化：编辑、探索、审查或引用。
95+ shell 模式
基于模式的压缩技术，适用于 git、cargo、npm、docker 和其他 CLI 输出，将冗长的命令结果减少为结构化、高效的 token 摘要。
零网络调用
完全本地运行。无遥测数据，无云依赖，无数据离开您的机器。Apache-2.0 开源。
上下文工程，为您解答。
什么是 context engineering？
Context engineering 是一门管理 AI Agent 所看到、记住和操作信息的学科。它用一个系统化的运行时取代了临时的提示词工程，该运行时可以压缩、缓存、验证和治理 AI 上下文。
为什么 Context Engineering 对 AI 编程很重要？
AI 编码 Agent 在重复阅读文件、解析嘈杂的 shell 输出以及会话间丢失上下文时浪费数千个 tokens。Context engineering 可将这种浪费减少高达 99%，使 Agent 更快、更便宜、更可靠。
Context Engineering 与提示词工程有什么不同？
提示工程侧重于构建单个提示。而上下文工程管理整个信息生命周期——代理读取什么、如何压缩、哪些内容被缓存、跨会话记住什么，以及在交付前验证什么。