Skip to content

Context Engineering：从Carta Healthcare到YC Startups的实践

tags: #Context-Engineering #Prompt-Design #Production-AI #Agent-Architecture source: Carta Healthcare | YC Startups | Claude Blog New Rules score: 技术深度8/10 | 实用价值9/10 | 时效性9/10 | 领域匹配9/10 | 综合 8.75/10

核心概念

Context Engineering是指系统性地设计输入给LLM的上下文内容、顺序和范围，使其性能最大化。这不是简单的prompt技巧，而是一整套工程化流程：决定包含什么、排除什么、以什么顺序呈现。核心洞察：最好的prompt配错误的context = 错误的输出；简单的prompt配正确的context = 正确的输出。

设计原理

Carta Healthcare：上下文精度决定准确率

Carta Healthcare的Lighthouse平台处理22,000+手术病例/年，达到 98-99% inter-rater reliability（行业标准的抽象准确率）。核心不是模型选择，而是context构建：

  • 时间边界精确化：不是"找一个体重值"，而是"找到在特定手术开始时间之前记录的体重值"。手术后两天的体重是无效数据
  • 运行时动态组装：每个数据点需要不同的源文档、不同的时间窗口、不同的上下文量
  • 可追溯性：每个提取结果都展示支持证据和推理过程，临床专家可验证

"The hardest problems we solved weren't about building a perfect prompt, they were about context construction." — Matthew Mazzanti, Carta Healthcare

关键工程决策：评估框架先行，粒度化设计以隔离变量。当输出不理想时，可追溯到具体是哪个prompt、哪个context issue、哪个retrieval gap。

YC Startups：三层分离工作流

三家YC公司共同验证的工作流模式：

1. Research → Planning → Implementation 三阶段分离 - Ambral的Stettner：Opus 4.1做研究和规划，Sonnet 4.5做实现。"不要让Claude同时做研究、规划和实现" - 每个阶段用独立的Claude Code session，只传递精炼结论而非全部上下文 - 子Agent并行研究代码库的不同区域

2. 上下文管理是成败关键 - Stettner："当我看到意外或低质量的输出，通常是因为prompt中存在矛盾" - Jones："审视思维链，手指放在中断键上" - 核心原则：避免上下文矛盾，明确选择何时开始新对话

3. 非技术创始人的语言优势 - Vulcan的Jones（高中后没写过代码）用Claude Code赢了政府合同，4个月融了$11M - 洞察：语言能力和批判性思维比编程技能更重要——"如果你擅长组织有序列表、嵌套要点和清晰流程，你的prompt可能执行得更好"

2026-07-26 更新：Claude 5代模型的Context Engineering新规则

Anthropic于2026年7月发布面向Claude 5代模型（Opus 5、Fable 5）的Context Engineering新规则，核心发现是：对于更强大的模型，更少的约束反而带来更好的结果。

关键发现

  1. 删除80%+系统提示词：Anthropic从Claude Code中删除了超过80%的系统提示词，在编码评估上没有任何可测量的性能损失。这与此前"提示词越详细越好"形成直接矛盾。

  2. "Unhobbling" Claude（解除束缚）：团队在审查内部使用记录时发现，同一个请求中收到多条冲突指令——"适当写文档"来自系统提示，"不要加注释"来自用户请求，"遵循最佳实践"来自skills。多重约束相互矛盾，反而限制了模型的能力发挥。

  3. 旧的最佳实践已成迷思：为早期模型（Claude 3/4）设计的context engineering最佳实践，在Claude 5代模型上可能适得其反。模型能力的跃升要求重新审视每一条约束的必要性。

  4. claude doctor 自动调整：新增/doctor命令，自动扫描并优化skills和CLAUDE.md文件，删除过时或冲突的约束。

trade-off分析：删减context的核心风险是失去行为控制（安全边界、品牌调性）。这不是简单的"全部删掉"，而是精准识别哪些约束对当前模型是必要的、哪些是历史遗留。对于企业级部署，需要在"充分信任模型能力"和"维持必要安全边界"之间找到新平衡。

关键实现

# Carta Healthcare的context精确化模式
# 不是简单的 "find glucose value"
# 而是：
prompt = f"""
Find the most recent glucose reading documented BEFORE 
procedure start time: {procedure_start_time}.
Include source document reference and exact timestamp.
"""

# Ambral的研究-规划-实现分离
# Phase 1: Research (Opus 4.1)
research_doc = opus.research(feature)  # 长文档，多角度
# Phase 2: Planning (Opus 4.1) 
plan = opus.plan(research_doc)  # 离散步进计划
# Phase 3: Implementation (Sonnet 4.5)
for phase in plan.phases:
    sonnet.implement(phase)  # 每步独立执行

关联分析

可执行建议

  1. 在写prompt前先设计context管道：确定需要什么信息、从哪来、如何过滤、以什么顺序组织
  2. 建立粒度化评估框架：能区分是prompt问题、context问题还是retrieval问题
  3. 采用三阶段分离工作流：研究→规划→实现，每阶段独立session
  4. 消除上下文矛盾：使用前检查prompt中是否存在冲突信息
  5. 非技术人员也能高效使用AI：重点训练结构化表达能力而非编程技能
  6. 定期审查context约束：每次模型升级时，重新评估每条约束的必要性——如果删掉不影响质量就删掉
  7. 运行 claude doctor：使用新命令自动优化skills和CLAUDE.md配置

自评

维度 分数 权重 加权
摘要质量 9 0.25 2.25
技术深度 9 0.25 2.25
相关性 9 0.20 1.80
原创性 8 0.15 1.20
格式规范 9 0.15 1.35
加权总分 8.85