> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/zh-hant/2025/w31-context-engineering-for-ai-agents.md).

# W31-《Context Engineering for AI Agents》

Manus 的博客《Context Engineering for AI Agents》讓我對AI應用開發有了更加務實的理解。

過去容易簡單地將AI應用開發理解為“調用API”，現在意識到真正的挑戰在於如何用傳統、確定性的軟件工程方法，去駕馭本質上充滿不確定性的AI。由無數次試錯沉澱下來的工程經驗，是應對大模型不確定性的技術壁壘。這種壁壘無法通過代碼或者產品demo輕易判斷，唯有通過與具備深厚經驗的工程師對話，才能真正驗證體系化的優勢是否存在。

做應用的的核心競爭力是，能夠將模糊的人類意圖精準地翻譯成機器可穩定執行的工作流的能力。

有一本講複雜系統的書《Discovered, Not Designed》，讓我對 Context Engineering 這種難以言明的“確定性編排藝術”有了更自洽的理解。書中將問題分為兩類：一類是difficult problem，傳統工程方法能夠明確設計解決；另一類是hard problem，常常難以解釋，無法通過明確設計方法解決，而是通過不斷的試錯和自我調整實現的。

飛機這樣的工業產品夠複雜，但不屬於複雜系統，屬於明確設計的複雜範疇。而大模型則更接近於複雜系統，是一種被“發現”的產物。在訓練大語言模型時，不是直接修改模型內部的參數，而是通過外部反饋引導模型進行自我調整，最終獲得預期的輸出。類似地，市場價格也並非人為精心設計，而是在無數交易者的互動與博弈中自發形成。

不確定是祝福，而非詛咒。理解大模型不確定性的本源，把它歸入正確的問題域很重要。我們面臨的是一個全新的工程領域，現在還是初期，有很多具體的髒活累活。不能執拗於difficult problem的確定性思維定式。