一、背景与问题起源1.1 从 Prompt Engineering 到 Context Engineering传统的 Prompt Engineering 聚焦于单次交互中的提示词优化，其假设是模型上下文窗口足够容纳所需信息。然而，当多智能体系统处理复杂任务时，这个假设迅速失效。范式转移的核心驱动：任务复杂性爆炸：一个典型的多智能体协作流程可能涉及 10+ 轮子任务执行，每轮产生中间结果、工具调用日志、反思总结上下文窗口的经济学：GPT-4o 128K 上下文窗口看似充裕，但每 1K Token 的输入成本约 $0.003（GPT-4o-mini），长任务链的成本可能轻易突破 $10/任务信息相关性衰减：MIT 2024 年的研究表明，LLM 对长上下文中的信息存在"丢失在中间"（Lost in the Middle）问题，距上下文两端越近的信息召回率越高 [2]OpenAI Agents SDK Cookbook 将上下文管理、短期记忆修剪、长期记忆注入置于 agent 构建方法论的中心位置，这标志着行业共识的形成：上下文不是需要填满的空间，而是需要精心设计的资源