在2026 年的AI DevCon 上， Anthropic 的工程师 Lamis 做了一场 30 分钟的演讲，主题是Claude Code的上下文工程（ context engineering ）。
从这个演讲的内容，我们可以清晰地看到Claude Code在上下文工程上的发展历程。
01四级台阶 + 一个做梦机制
Lamis 把 Anthropic 在上下文管理上的演进讲得很清楚：四个阶段，一步一步往上走，每一步都在解决前一步留下来的问题。
第一级： CLAUDE.md —— 一个 Markdown 文件搞定一切
Anthropic 最早让 Agent "变聪明"的做法，简单到让人意外：
一个纯 Markdown 文件（ CLAUDE.md ），放在会话开头，告诉 Agent 代码库结构、组织信息、个人偏好。
就这么简单，没有花哨的东西。 Lamis 给了一个非常实在的评价：“unreasonably effective”——效果惊人出奇地好。
但问题也很明显：文件越来越长，上下文膨胀，管理困难。
第二级： Memory Tools —— 让 Agent 自己决定记什么
既然一个文件装不下所有东西，那就让 Agent 自己决定该记什么。
第二级是记忆工具。其核心做法是：让 Agent 自主决定何时读取、何时写入、何时更新记忆，所有动作都在会话上下文中完成（ in-band ）。
Lamis 分享了一个非常反直觉的观察：
“在这种场景下，自主性运作得非常好。 Agent 比人类更擅长判断什么值得记住。”
这句话挑战了一个常见的工程直觉：开发者习惯给系统加规则、加约束，但 Lamis 的结论是——放权反而效果更好。
第三级： Skills —— 像翻书架一样获取知识
Skills 这一段是 Lamis 讲得最精彩的部分。
核心思想叫"渐进式披露"（ progressive disclosure ）： Agent 只看文件顶部几行前言，决定是否需要加载整个文件。
Lamis 给了一个非常形象的比喻：
“就像房间里有一个书架，每次有人跟我说话，我扫一眼书单，看有没有相关书籍，然后取下来读。”
关键洞察：不要一次性把所有知识塞进上下文，而是让 Agent 按需检索。
第四级： Filesystem —— 把记忆当普通文件用
把记忆系统建模成普通文件系统，用 Markdown 文件填充， Agent 用 bash 和 grep 搜索。
不需要向量数据库，不需要专门的工具。“Agent 本来就擅长操作文件系统。”
这是一个非常工程化的选择——用最简单的工具解决最复杂的问题。
进阶： Dreaming —— 让 Agent “做梦”
这四级台阶解决的是"Agent 在工作的时候怎么记住"的问题。
“同一个上下文窗口中的记忆有一个根本性局限： Agent 既要完成任务，又要管理记忆，这是两个竞争性目标。而且 Agent 只能看到当前会话的信息，无法识别跨会话的模式。”
Anthropic 的解法是：做梦（ Dreaming ）。 Dreaming 是一个上下文窗口之外的异步处理过程。
工作流是这样的：
取一段时间内的所有会话记录
交给一个专门的 Agent 分析
这个 Agent 查看记忆存储，识别模式，提出更改建议
02生产环境里的四个"老朋友"
Lamis 也坦承，演进的每一步都会带来新的问题。当他把方案推到生产环境，立刻撞上三面墙：
•
多个 Agent 同时写入同一个记忆文件怎么办？
•
记忆过时了怎么办？
•
有人通过提示词注入向记忆中写入恶意内容怎么办？
Anthropic 给出的解决方案是四个原则：
| 原则 | 作用 |
|---|---|
| 版本控制 | 能回滚 |
| 并发控制 | 哈希校验 |
| 权限管理 | 组织级只读、个人级可写 |
| 可移植性 | 干净的 API ，跨系统访问 |
实际上我们可以看到，这四条不是 AI 领域的新发明，它们是经典软件工程里用了二三十年的东西。只是用在了新的应用场景里面。
03 软件工程方法论
Anthropic 做的事情看起来很新，但背后的工程方法全是老朋友。
把 Lamis 提的方案一一对应到经典软件工程，会发现一条非常清晰的脉络：
CLAUDE.md ↔ 配置文件
把系统需要的常量、外部依赖集中管理，本来就是软件工程的基本做法。 Anthropic 只是把"配置文件"的接受者从程序换成了 Agent 。
Memory Tools ↔ 数据库 + ORM
让 Agent 自主决定读什么、写什么，实质就是把数据库的 CRUD 操作开放给了 Agent 。 Anthropic 发现 Agent 比人类更擅长做这件事——这个观察很反直觉，但符合一个普遍规律：机器在结构化操作上比人更稳定。
Skills ↔ 插件化 + 懒加载
“渐进式披露"在传统架构里就叫"懒加载”。插件系统按需加载、模块系统按需引用，思路完全一样。 Anthropic 把它搬到了 Agent 的上下文里。
Filesystem ↔ 内存 swap + mmap
“把记忆溢出到磁盘"这件事，操作系统早就在做。 Agent 的 token 窗口就是它的"内存”， Markdown 文件就是它的"swap 分区"。 Lamis 说"Agent 本来就擅长操作文件系统"——本质上是在说"别再发明新工具了"。
Dreaming ↔ 后台批处理 + ETL
Dreaming 的运行模式是：定时取数、分析、生成报告、更新存储。这跟一个 cron job 加一个 ETL 流水线几乎没有区别。 Anthropic 把它包装成"做梦"，听起来很浪漫，但工程本质就是离线批处理。
版本控制 ↔ Git + 数据库事务
能回滚、能审计，跟代码仓库的 commit history 是一回事。
并发控制 ↔ 乐观锁 + 哈希校验
多 Agent 同时写记忆可能撞车，用哈希校验防止冲突——这跟分布式系统里的乐观锁思路一致。
权限管理 ↔ Unix 文件权限 + RBAC
“组织级只读、个人级可写”，这是经典的访问控制模型。 Lamis 甚至连术语都没换。
提示词注入 ↔ XSS + SQL 注入
Agent 的记忆如果被污染，所有 Agent 都会受影响。这跟 Web 应用被 XSS 攻击、数据库被 SQL 注入攻击，本质上是同一个问题。
记忆失效 ↔ 缓存失效
这条尤其值得拎出来。 Lamis 在演讲里说"记忆过时了怎么办"——他没说出来的下半句是：这个问题，软件工程师们已经头疼了五十年。
把这些对应关系整理成一张表，看起来会非常工整：
| Anthropic 的方案 | 经典软件工程对应 |
|---|---|
| CLAUDE.md | 配置文件 / 环境变量 |
| Memory Tools | 数据库 + ORM |
| Skills | 插件架构 + 懒加载 |
| Filesystem | 内存 swap / mmap |
| Dreaming | 后台批处理 / ETL |
| 版本控制 | Git / SVN |
| 并发控制 | 乐观锁 / 悲观锁 |
| 权限管理 | Unix 权限 / RBAC |
| 提示词注入防御 | XSS / SQL 注入防御 |
| 记忆失效 | 缓存失效 |
这张表里藏着 Phil Karlton 的那句名言：“计算机科学中只有两件难事：缓存失效和命名。”
记忆失效，本质上就是缓存失效的翻版。 Lamis 没说出来的那半句话，软件工程师们用五十年时间给出了各种解法： TTL 、版本号、双写、失效广播、惰性删除……这些问题在 Agent 系统里一个都没消失，只是约束条件变了。
04为什么这件事值得专门讲一遍
既然技术都是老的，那 Lamis 为什么还要专门做这场演讲？
因为应用场景换了，问题的边界条件就全换了。
在传统软件工程里：
•
配置文件由开发者维护，开发者知道什么时候该更新；
•
数据库的事务由程序控制，程序员知道什么时候提交；
•
缓存失效可以靠 TTL 或者人工干预。
但在 Agent 系统里：
•
"配置文件"由 Agent 自己维护， Agent 不一定知道什么时候该更新；
•
"数据库"由 Agent 读写，但 Agent 可能写出错误信息；
•
"缓存"由 Agent 生成，但 Agent 没办法判断哪些记忆已经过时。
Lamis 演讲里有一个细节特别值得注意：他说"Agent 比人类更擅长判断什么值得记住"。
这句话反过来说就是：Agent 不擅长判断什么不值得记住。
也就是说， Agent 会记住太多东西——包括不该记住的、过时的、甚至有害的。这就是为什么 Anthropic 要在 Dreaming 机制里，专门设计一个"审查 Agent"去识别模式。
上下文工程看起来是在做新事情，实际上是在用经典软件工程的方法论，去解决一个全新的对象——一个会自己思考、自己记忆、自己犯错的智能体——带来的问题。
这个区别很重要：
•
经典软件工程处理的是确定性的对象。文件存了就存了，删了就删了。
•
上下文工程处理的是概率性的对象。 Agent 可能会"记得"，也可能"忘了"，也可能"记错"。
把传统方法论应用到概率性对象上，就是上下文工程真正的难度所在。
05给工程师的三点启示
第一，"上下文工程"是新领域，但它的方法论是老的。 老的 Git 、老的数据库、老的操作系统设计思想，都能搬过来用。不要被"AI"两个字吓住，也不要被"上下文"两个字唬住。
第二，模型再强，没有上下文就是空的。 一个有 1M token 窗口但上下文是空的 Agent ，不如一个有 200K token 窗口但上下文设计良好的 Agent 。上下文是倍增器。
第三，这个领域的投资是"长跑"型的。 即使模型继续变聪明，上下文工程的回报不会消失——它会跟着模型一起变好。
AI领域不断地有新概念涌现，但实际上这些新概念背后，是软件工程师们打了五十年交道的那些老朋友。
配置、缓存、并发、权限、版本、批处理、插件架构——这些是每个后端工程师写代码时都会碰到的东西。把它们重新理解一下，就成了"上下文工程"。
这恰恰说明——AI Agent 不是一种全新的软件形态，而是一种需要用老方法论认真对待的新对象。
如果正在做 Agent 相关的工作，对照自己的系统过一遍：
•
你的"记忆"有没有版本控制？
•
你的"记忆"有没有并发控制？
•
你的"记忆"有没有权限管理？
•
你的"记忆"会不会在某个深夜跑一个"做梦" Agent 去审查它？
如果这四个问题里有任何一个没有答案，那么 Anthropic 走过的路，大概率也会再走一遍。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
752
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
