过去的一年里，唱衰 Prompt Engineering 的声音此起彼伏，有人直呼“提示工程师要下课”。现实却反手给了剧本杀式反转——它非但没谢幕，还升级打怪，进阶成 MVP：上下文工程（Context Engineering，CE）。

什么是提示工程（PE）？

专业解释：提示工程集中于瞬间优化，即通过提出的设计指令、系统角色和少量示例（Few-shot），来让大模型在单次交互中产生最佳输出。

通俗案例：就像你问AI：“根据患者的T计数和血清白蛋白水平，给出初步诊断。”——过程中是你在优化“提问”本身。

什么是上下文工程（CE）？

专业解释：上下文工程是一种系统级架构策略。它旨在设计和架构整个系统，动态、持续地策略展示、管理和优化提供给LLM的全部信息集合（Tokens），确保模型在任何时间点都能获得最精准、最相关的“世界观”。CE优化的是整个信息流的有效用处，是提示工程的自然演进。

核心差异总结：

在医疗领域，PE只能让你回答好一个问题；CE则决定了你的Agent能否在连续工作几小时后，仍然记得患者在三小时前的心电图变化。

医疗行业的“生命线”：CE如何保障Agent的“靠谱度”？

在临床决策支持（Clinical Decision Support，CDS）、诊断和治疗规划等高压应用中，Context Engineering不再是锦上添花，而是另外的基础设施。

痛点一：复杂且碎片化的病历信息

患者的诊疗记录是高度碎片化的，不仅包含标准化的电子健康记录（EHR）文本，还有医学影像（CT、MRI）、数据实验室、生理信号（ECG、EEG）等多种模式的数据。

CE解决方案：多模态RAG与智能分块

传统的RAG（检索增强生成）只处理文本。而医疗CE架构必须整合计算机视觉技术来分析图像，用NLP技术分析EHR文本。Agent需要一个高级的上下文系统，能够从这些海量且至少的数据中，根据当前的临床查询，迅速、精准地检索出最相关的“证据片段”，并配备其注入LLM的上下文窗口，为诊断提供事实（接地）。

痛点二：诊断的复杂性与协作的必要性

罕见疾病诊断或复杂病例的讨论，往往需要多学科团队（MDT）协作。任何一个单一的AI模型，都难以全面覆盖所有专业知识。

CE解决方案：多智能体协作架构 打造MDT的思路，上下文工程催生了多智能体对话（Multi-Agent Conversation, MAC）框架。

案例拆解：

罕见病诊断专家组在实践中，研究人员构建了一个MAC系统，包含四个“医生Agent”（如：内科专家、影像学专家、基因组学专家）和一个“主管Agent”（负责协调和最终决策）。

分工与上下文隔离：“内科专家代理”只接收患者的主诉和病史上下文；“影像学专家代理”只接收CT图像的分析结果上下文。这种上下文隔离避免了信息干扰和干扰。动态汇总与共享：每个子Agent探索完成其领域的数万个Token信息后，只向“主管Agent”提交一份精炼、浓缩的摘要（通常为1000-2000个Token）。

结果显示，这种上下文工程驱动的MAC系统在处理302个罕见病例时，比单一GPT-5模型的诊断准确率显着提高，有效地弥补了理论知识与临床实践之间的鸿沟。

痛点三：长期追踪与治疗连贯性

重症监护室患者的病情变化是动态的，一个特工需要连续工作记录几个小时，不能因为上下文满了就“忘记”前一小时的关键生命体征变化。

CE解决方案：动态内存限制管理与状态追踪 CE通过引入分层记忆系统（如MemGPT）来解决LLM上下文窗口的。

• Agent将重要的场景记忆（如“药物配方调整历史”、“用户偏好”）和语义记忆（如“手术流程规范”）外部化，存储在提供数据库或格式化文件中。
• 当Agent进行下一步行动时，系统会实时检索与当前任务最相关的“历史笔记”和“外部知识”，将其注入上下文窗口。

这种能力，使得医疗Agent能够为患者提供长期、连贯的个性化治疗计划，而不再是仅仅回答两个问题的聊天机器人。

专业要求：可追溯源性（Traceability）与合规性

在医疗领域，可靠性不仅指“准确”，还指“可解释”和“可追溯”。

上下文工程通过以下方式满足了医疗级合规性要求：

• 显式的上下文分层：确保Agent的每一步决策，从而随后读取的原始信息、检索到的证据（RAG）和执行的工具（ToolCalling）。
• 安全防护栏（Guardrails）部署：CE要求在系统架构中集成生产级安全防护栏，例如，在下游容量达到80%时，系统自动触发历史对话的“自动摘要（Auto-summarization）”机制，防止因Token超限导致系统硬性故障,这些优化虽然同步不大，但对提高系统鲁棒性至关重要。
• 上下文采集状态机：对于高风险的药物推荐或剂量调整工具，CE设计“上下文采集状态机”，根据当前的病理状态，限制或强制Agent只能选择特定的、安全的工具，从而提供了比常见提示词更高级别的控制和可靠性。

结语：从“Prompt Engineer”到“宽带架构师”

上下文工程代表着AI应用开发的一个重要转折点：将会把焦点从晦暗的“提示词魔法”转向到稳健、可扩展的系统架构。

对于正在布局医疗AI的机构和开发者而言，必须将Context Engineering视为核心战略投资。这不仅关系到技术性能，更关系到医疗Agent能否安全、可靠地在真实的临床环境中落地，实现从“技术潜力”到“临床价值”的飞跃。

AI的未来在Agent，而Agent的未来，则由其上下文决定。