#上下文工程 我最近在做一个内容摘要生成的小功能，本来以为是个简单的任务：用户输入长文本，我调用更强、更大上下文的模型，让它生成优质摘要。结果发现，这一过程的成本比我预想的高得多。 高质量模型 → 价格昂贵 大上下文窗口 → Token 消耗成倍增长 每月 20 美元的订阅费 → 很难覆盖这些成本 对比下来，连 OpenAI 和 Cursor 这样的公司都不例外。以我自己为例，上个月在 Cursor 上花了接近 100 美元，其中大部分都用在 Claude 模型上，这意味着 Cursor 从我这里几乎没赚到钱。 这背后反映了一个更大的行业问题： 用户对高质量体验的要求 → 迫使应用方使用昂贵的大模型 长上下文输入 → 成本随 Token 增长呈线性甚至指数级上升 订阅模式的收入上限 → 无法有效平衡高频、高消耗用户 因此，对于任何想做 AI 应用的人来说，“上下文工程”是不可回避的核心能力。它的目标是在满足任务效果的同时，最大限度减少传给模型的内容量，用结构化、抽取关键信息的方式，让模型少读冗余、多读核心，从而显著降低计算开销。 因此，对于任何想做 AI 应用的人来说，“上下文工程”是不可回避的核心能力。它的目标是在满足任务效果的同时，最大限度减少传给模型的内容量，用结构化、抽取关键信息的方式，让模型少读冗余、多读核心，从而显著降低计算开销。