Weekly Spark No.37

Bom dia meus amigos,

Saudações de Lisboa!

您正在阅读的《壹苇可航》电子报 Weekly Spark No.37。

本期笔记和初稿在 Tana 上完成，这是一款通过将 AI 驱动的结构化数据库与流畅的大纲列表相结合的笔记软件，重新定义了现代知识管理，使用户能够无缝地组织相互关联的想法，同时保持自由形式思考的灵活性。

以下是本期正文。

🔍 Insights

近期看到多篇文章和社交媒体的讨论都在说 Context Engineering Thinking（上下文工程化思维）。它到底是什么呢？

简单来说，这是一种围绕「上下文」来设计、构建与优化解决方案的系统化方法论。它的核心是：用工程化方式、系统地管理「在此时此地做对事」所需的全部信息，并通过闭环优化让系统在现实世界的不确定性中保持稳健、可控与高效。

为什么这种思维如此重要？因为在 AI 时代，我们面临着四个关键挑战：

• 模型敏感性：同一个 AI 模型在不同上下文下表现差异巨大
• 环境动态性：使用场景和需求变化迅速，系统必须能够灵活适配
• 合规要求：决策需要可追溯、可解释，便于审计和风控
• 效率优化：高质量的上下文往往比更大的模型或更多算力更有效

对知识工作者意味着什么

作为知识工作者，我们每天都在处理大量信息：研究报告、会议纪要、项目文档、邮件往来……如何让 AI 真正理解我们的工作场景，成为高效的助手而非鸡肋的工具？关键就在于掌握 Context Engineering 思维。

举个实际例子。当我们让 AI 帮忙撰写一份项目提案时，如果只是简单地说「帮我写个提案」，得到的结果往往泛泛而谈。但如果能提供结构化的上下文：

• 项目背景（为什么要做这个项目）
• 目标受众（给谁看的提案）
• 预期成果（要达到什么目标）
• 约束条件（预算、时间、资源限制）
• 参考案例（类似的成功项目）

AI 的输出质量会有质的提升，甚至是飞跃。这就是 Context Engineering 的重要性。

培养这种思维的两个简单方法

对于如我一样没有编程背景的知识工作者，有两种日常工具可以有效培养这种思维：

首先是使用大纲式笔记软件。像 Roam Research、Tana、WorkFlowy 这类工具，通过层级结构强制我们进行结构化思考。每次使用时，我们都在被动练习：

• 信息分层：哪些是核心观点，哪些是支撑细节
• 关系定义：信息之间是并列、从属还是引用关系
• 模块化组织：每个信息块都可以被独立引用和重组

这恰好对应了 Context Engineering 中的关键能力——将复杂信息分解成结构清晰的模块。比如在准备一个汇报性质的邮件时：

- 项目进展汇报
  - 背景说明
    - 项目启动原因
    - 初始目标设定
  - 当前状态
    - 已完成里程碑
    - 待解决问题
  - 下一步计划
    - 资源需求
    - 时间规划
  - 风险与应对
    - 已识别风险
    - 缓解措施

这种结构不仅让我们的思路更清晰，也为 AI 提供了完美的上下文框架。

而第二种方法就是熟练掌握 Markdown 语法。

Markdown 不仅是一种写作格式，更是一种「语义化标记」的思维训练。当我们使用：

• # 来定义信息层级
• - 来组织并列要点
• > 来引用参考资料
• ** 来强调关键信息
• - [ ] 来追踪任务状态

我们实际上是在为正在处理的「信息」赋予明确的「角色」和「权重」。这种习惯可以直接提升我们与 AI 协作的效率。

实际场景举例

当我们使用 LLMs 辅助优化个人知识库时，Context Engineering 思维可以帮助我们：

• 设计清晰的分类体系（上下文边界）
• 建立有效的标签系统（上下文标记）
• 创建知识间的关联（上下文网络）
• 定期更新和优化（上下文循环）

例如，近期我在 GPT 5 和 Claude Sonnet 4 的共同帮助下优化了 Tana 笔记库中的标签系统。在与他们的交流中我猛然意识到之前的标签系统存在严重割裂。具体内容详见 Case Study 的部分。

从思维到习惯的转变

这两种方法的本质，都是在日常使用中进行元认知训练。它们培养的核心能力直接对应了 Context Engineering 的关键环节：

1. 上下文采集：学会识别哪些信息是相关的、必要的
2. 上下文建模：能够将零散信息组织成结构化的知识
3. 上下文编排：懂得如何安排信息的优先级和展示顺序
4. 上下文注入：知道在什么时机提供什么信息

并且，这种训练让我们开始意识到「上下文预算」的概念，即不是所有信息都需要包含，而是要在完整性和简洁性之间找到平衡。

当然 Context Engineering 思维与其他的思维方式一样，都不是一蹴而就的。它是需要我们通过日常实践逐步内化的思维方式。开始时可能会觉得繁琐，但当它成为习惯后，我们会发现：

1. 沟通更高效：无论是与人还是与 AI，我们都能快速传达完整、清晰的信息
2. 思考更深入：结构化的方式迫使我们思考信息间的逻辑关系
3. 知识更系统：我们的知识不再是散落的碎片，而是相互连接的网络
4. 决策更明智：完整的上下文帮助我们做出更全面的判断

换句话说，我们就能让 AI 更好地理解意图甚至是潜台词，产出更符合预期的结果。而这也正是越来越讲求人机协作的当下与未来非常重要的能力。