> 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/2025-nian/w31-context-engineering-for-ai-agents.md).

# W31-《Context Engineering for AI Agents》

Manus 的博客《Context Engineering for AI Agents》让我对AI应用开发有了更加务实的理解。

过去容易简单地将AI应用开发理解为“调用API”，现在意识到真正的挑战在于如何用传统、确定性的软件工程方法，去驾驭本质上充满不确定性的AI。由无数次试错沉淀下来的工程经验，是应对大模型不确定性的技术壁垒。这种壁垒无法通过代码或者产品demo轻易判断，唯有通过与具备深厚经验的工程师对话，才能真正验证体系化的优势是否存在。

做应用的的核心竞争力是，能够将模糊的人类意图精准地翻译成机器可稳定执行的工作流的能力。

有一本讲复杂系统的书《Discovered, Not Designed》，让我对 Context Engineering 这种难以言明的“确定性编排艺术”有了更自洽的理解。书中将问题分为两类：一类是difficult problem，传统工程方法能够明确设计解决；另一类是hard problem，常常难以解释，无法通过明确设计方法解决，而是通过不断的试错和自我调整实现的。

飞机这样的工业产品够复杂，但不属于复杂系统，属于明确设计的复杂范畴。而大模型则更接近于复杂系统，是一种被“发现”的产物。在训练大语言模型时，不是直接修改模型内部的参数，而是通过外部反馈引导模型进行自我调整，最终获得预期的输出。类似地，市场价格也并非人为精心设计，而是在无数交易者的互动与博弈中自发形成。

不确定是祝福，而非诅咒。理解大模型不确定性的本源，把它归入正确的问题域很重要。我们面临的是一个全新的工程领域，现在还是初期，有很多具体的脏活累活。不能执拗于difficult problem的确定性思维定式。