主要观点：近年来，AI 对话从提示工程逐渐转向更结构化和强大的上下文工程，上下文工程是为语言模型解决任务提供所有必要上下文的艺术，不同类型的用例（确定性、半动态、复杂）其上下文工程模式不同，且影响工程决策的上下文因素包括上下文范围确定和扩展上下文工程等，成功的 AI 系统设计取决于用例决定架构，掌握用例与架构的匹配能构建真正服务于目的的 AI 系统。
关键信息：

• 上下文工程可帮助语言模型准确回答问题，如通过提供当前事件摘要等。
• 不同用例的上下文工程特点不同，确定性用例输入模式可预测等，半动态用例有多个决策路径等，复杂用例需多代理协调等。
• 影响工程决策的因素有上下文范围确定（信息广度随任务不确定性变化等）和扩展上下文工程（根据用例特点选择合适的上下文方式）。
  重要细节：
• 以大型语言模型 Claude 为例，说明提供不同程度的上下文对回答问题的影响，如提供比利时大奖赛获胜者的相关上下文。
• 列举在 MCP 服务器访问数据库的复杂用例中，给予上下文前后语言模型回答的变化。
• 分别阐述确定性、半动态、复杂用例的具体特征及对应的处理模式和跟踪指标。