關於「提示與上下文」的工程管理 (Prompt & Context)

專家將開發過程視為一種**「上下文工程」**而非單純的指令輸入：

• 積極管理上下文窗口： 專家會主動清除聊天紀錄或刪除不相關的文件，以防止 AI **「過度索引」（Over-indexing）**舊資訊，確保輸出品質。

• 外部化記憶追蹤： 由於 AI 的保留記憶有限，專家常使用 plan.md、progress.md 或指令文件來外部化追蹤已傳送的內容與當前進度，以確保開發的連貫性。

專家偏好建立**「上下文工程」（Context Engineering）**而非單純的「提示工程」（Prompt Engineering），主要原因在於 AI 協作開發的本質已從單次指令轉向持續的系統性編排。

以下是專家偏好上下文工程的核心原因：

1. 從「調整措辭」轉向「建立生態系」

• 提示工程的局限： 專家認為提示工程通常僅限於**微調措辭（Tweaking wording）**或語氣，以試圖獲得單次的正確答案。
• 上下文工程的廣度： 上下文工程則是為 LLM 提供一個完整的生態系，包含所有相關的事實、規則、文件、計畫與工具，讓模型能在理解全局的情況下運作。

2. 提升輸出的準確性與可靠性

• 消除模糊性： 實踐者注意到，模糊的提示常導致不可靠或錯誤的輸出；相反地，提供明確的數據結構、API 定義或約束條件等背景資訊，能大幅提升代碼品質。
• 應對隨機性： 由於 AI 生成具有隨機性（Stochastic），專家透過精確的上下文管理來降低「擲骰子」（Rolling the dice）的不確定性，確保 AI 能在特定的技術框架內思考。

3. 防止「過度索引」與資訊污染

• 上下文清理： 專家會主動清除聊天紀錄或刪除不相關的文件，以防止 AI **「過度索引」（Over-indexing）**舊的或錯誤的資訊，避免輸出品質因上下文過長而下降。
• 維持專注度： 當上下文視窗太長時，AI 可能會變得困惑。因此，專家會透過「重啟會話」或使用分支（Fork）專案等策略，確保 AI 只處理當前任務所需的相關內容。

4. 外部化記憶與進度追蹤