目錄
在《提示詞（Prompt）是什麼？》裡，我們拆解過 User Prompt 與 System Prompt 的差別；《10大技巧教你寫完美提示詞》則整理了「想、寫、改」這一整套實戰心法。既然把話講清楚的技巧都談得差不多了，為什麼還要再開這一篇？
原因在於，當我們使用 AI 的方式從單輪對話的 Chatbot，一路走向能自主辦事的 AI Agent 乃至 Agentic AI，光是把一句提示詞寫漂亮，已經不足以支撐它穩定完成一連串任務。這時候需要換一個更宏觀的視角，來看待 AI 所依循的脈絡，也就是本篇的主角——情境工程（Context Engineering，又譯上下文工程）。以下 EgentHub 會用最白話的方式說明：情境工程到底是什麼、它和提示詞工程之間是什麼關係，以及為什麼它會成為企業導入 AI Agent 的成敗關鍵。
從寫好一句話，到佈置整個工作環境
我們先設想一個情境：假設你要把一件工作交給剛報到的新同事，你會只丟一句「幫我把這季的銷售報告做出來」，然後轉身走人嗎？
多數人不會。你大概會替他準備好這一季的原始數據、附上一份上季報告當範例、說明公司報告的格式規範、指出可以到哪些系統查資料，甚至叮嚀他遇到不確定的地方要先來問你。
換句話說，你交給他的不只是一句指令，而是一整套能讓他把事情做好的工作環境。
早期使用者與 AI 的互動大多是單輪問答，像遞出一張紙條、換回一個答案，只要紙條上那句話寫得夠清楚（也就是提示詞工程），通常就綽綽有餘。但一旦要 AI Agent 自主跑完多步驟任務——查資料、呼叫工具、彙整結果——就非得先幫它把整個工作環境佈置妥當不可。
這份「為 AI 事先安排好完成任務所需一切」的功夫，正是情境工程。
情境工程到底是什麼？
簡單說，情境工程是一門「設計並組裝 AI 上下文視窗內容」的技術。它要決定的是：在 AI 讀取任務的那一刻，應該讓它拿到哪些資訊、以什麼結構呈現，又該把哪些雜訊過濾掉，好讓模型做出最準確的判斷。
講得專業一點，它涵蓋的範圍不只提示詞（Prompt），而是模型在生成回應之前，眼前所能看到的整個上下文（Context）。
所以，兩者其實是包含與被包含的關係：
- 提示詞工程： 把指令本身寫好。
- 情境工程： 連同指令在內，把 AI 需要的一切都準備到位。
情境裡有什麼？桌上的五種材料
那麼，一份完整的情境究竟由哪些東西組成？其實正是這個系列一路談過的幾個概念：
- 系統指令（System Prompt）： 任務的核心設定——角色、規則與邊界，決定 AI「是誰、該怎麼做」（詳見《提示詞（Prompt）是什麼？》）。
- 範例（Few-shot Examples）： 給幾個已經做好的樣本讓 AI 模仿，輸出會更穩定。
- 檢索到的知識（RAG）： 即時撈進來的外部事實，讓回答有所本（詳見《RAG 是什麼？》）。
- 記憶（Memory）： 跨輪對話的短期與長期記憶，讓 AI 記得前情、不必重複發問（詳見《AI 代理（AI Agent）是什麼？》）。
- 工具與其說明（Tools）： 能調用哪些工具、又該怎麼調用，透過 Function Call 與 MCP 接上外部系統（詳見《Function Call 是什麼？》與《MCP 是什麼？》）。
情境工程為何比提示詞工程更關鍵？
看到這裡，你或許會想：那我把上面這五樣通通塞好塞滿，不就萬無一失了？
恰恰相反。就像真人面對大量資料時容易抓大放小，AI 也有類似的毛病。如同《大語言模型（LLM）是什麼？》提過的，模型是靠注意力機制在有限的上下文範圍內理解資訊；當你把過多、無關或重複的內容一股腦塞進去，真正重要的訊息反而被稀釋，判斷也跟著失準。
情境工程真正的難處，其實在於取捨。關鍵指標是「訊噪比」：把對的資訊放在對的位置，同時果斷拿掉雜訊。
這也呼應了《10大技巧教你寫完美提示詞》裡強調的結構化與工具邊界宣告。當時談的是技巧，這裡談的則是這些技巧背後的目的——為 AI 打造一個乾淨、精準、剛好夠用的資訊環境。
結語：由人來為 AI 佈置舞台
情境工程代表的是人與 AI 協作方式的又一次升級：由人站上更高的視角，去規劃、組裝並把關 AI 所依據的一切。AI 始終是協作者，而決定「該給什麼、不該給什麼」、負責佈置舞台的，仍然是人。
要把情境工程的每一塊穩定組裝起來，正是一個 AI Agent 管理平台該解決的事。作為台灣企業級的 AI Agent 管理平台，EgentHub 把情境工程所需的各項能力都整合到位：
- 以 Prompt Designer 協助寫出精準的系統指令；
- 以向量／全文查找／表格三種知識庫強化 RAG；
- 透過 MCP 串接接上企業內部工具；
- 搭配完整的權限管理。
為每一個 AI Agent 佈置好正確的工作環境，讓它從概念變成可信賴的日常戰力——這正是 EgentHub 想協助台灣企業完成的事。