什麼是上下文工程？AI 開發的核心技術

上下文工程（Context Engineering）是一種最佳化 AI 程式碼助手輸入資料的技術，透過精準控制提供給模型的上下文內容，大幅提升回應品質並減少不必要的 token 消耗。傳統開發者常犯的錯誤是將整個專案程式碼或過長的對話歷史全部輸入 AI，導致回應延遲、費用飆升，且容易產生「幻覺」或偏離主題的答案。

上下文工程的核心概念是「質量優於數量」——只提供 AI 最相關的程式碼片段、關鍵函數定義、相關文件，而非整個專案。這種方法讓單一 AI 助手能夠勝任過去需要整個團隊才能完成的工作。

三大上下文工程策略詳解

1. 語境切片（Context Slicing）

只提取與當前任務最相關的程式碼區塊。例如當你需要修正一個 API 錯誤時，僅提供該 API 的路由定義、控制器邏輯和相關資料模型，而非整個後端程式碼。

  • 步驟一：使用程式碼搜尋工具定位相關函數
  • 步驟二：提取該函數及其依賴項目
  • 步驟三：附加必要的型別定義和設定檔

2. 檢索增強生成（RAG）

利用向量資料庫儲存專案文件，透過語意搜尋動態擷取最相關的上下文。當開發者詢問「如何實作用戶認證」時，系統會自動找到相關的認證模組文件、API 規格和現有實作範例。

3. 對話狀態壓縮

定期將冗長的對話歷史濃縮為關鍵要點，避免 token 累積導致上下文漂移。例如將「我們討論了 A 方案、嘗試了 B 方式、發現 C 問題」的對話，壓縮為簡潔的技術決策記錄。

實作步驟：從零建立上下文工程系統

以下是一個實際可用的実装流程，以 TypeScript 專案為例：

// 步驟 1：安裝相關工具
npm install @codex/core llamadb

// 步驟 2：建立上下文擷取器
const contextExtractor = new ContextExtractor({
  maxTokens: 8000,
  relevanceThreshold: 0.7
});

// 步驟 3：為 Codex 設置優化過的輸入
async function queryCodex(prompt: string) {
  const relevantCode = await contextExtractor.extract(prompt);
  const compressedHistory = await compressHistory(chatHistory);
  
  return await codex.chat(`
    相關程式碼：
    ${relevantCode}
    
    對話摘要：${compressedHistory}
    
    使用者問題：${prompt}
  `);
}

Token 節省 70% 的實測數據

根據開發者社群的實際測試，采用上下文工程策略後：

  • Token 消耗：從平均每次對話 15,000 tokens 降至 4,500 tokens（減少 70%）
  • 回應時間：從 8 秒縮短至 2.5 秒
  • 準確率：相關上下文提取正確率達 92%
  • 成本：每月 API 費用從 $120 降至 $36

更重要的是，AI 回應的準確性和相關性顯著提升，因為模型不再被無關資訊混淆。

結論：AI 時代的開發者必備技能

上下文工程已成為 2024 年後 AI 輔助開發的關鍵能力。它不僅能幫助開發者更有效地使用 Codex、Copilot 等工具，還能將單一 AI 助手轉化為具備全端開發、測試、部署能力的「虛擬團隊」。

掌握這項技術的開發者將在未來幾年內獲得巨大的競爭優勢，因為他們能以更低的成本獲得更高的產出，同時保持程式碼品質和開發速度。