高德納諮詢公司預計AI代理的推論成本到2028年將大幅增加，主因是AI模型在處理資訊時，其「Context Window」過載導致的效能下降與Token使用量暴增；為此，企業需要透過「Context Engineering」技術，有效管理AI模型接收的資訊，以降低成本並提升效能。
全球知名的資訊科技研究顧問公司高德納諮詢公司（Gartner）已預期，人工智慧（AI）代理的推論（Inference）成本將在2028年前顯著增加。這意味著AI模型實際運行、產生結果時所需的費用，恐將對企業帶來不小的壓力。
這些能夠自主執行任務的人工智慧程式，其效能與成本關鍵在於它們處理資訊的「Context Window」（上下文視窗），即AI模型單次互動能接收和處理的資訊量。根據 Towards AI 的共同創辦人兼技術長路易斯-弗朗索瓦·布沙爾（Louis-François Bouchard）的解釋，當 Context Window 被過多不相關的資料填滿時，會導致AI模型效能下降，此現象稱為「Context Rot」（上下文腐蝕）。
Context Rot 不僅影響AI代理的回應品質，也會推高AI模型處理資訊的基本單位——Token（權杖）的使用量，進而顯著增加營運成本。為此，業界正積極推動「Context Engineering」（上下文工程），其核心在於精確決定AI模型在每次互動中應接收哪些資訊，以期在模型品質與成本效益間取得平衡。
Context Engineering 涵蓋多項策略，旨在優化Context Window 的管理。其中，「Compaction」（壓縮）技術透過觀察截斷、選擇性保留、摘要與提示壓縮等方式，將Context Window 的資訊量最小化，僅保留最相關的內容。而「Offloading」（卸載）則是將上下文資料移出即時 Context Window 之外，例如使用 retrieve augmented generation（RAG，檢索增強生成）和 GraphRAG 等技術。
另一關鍵策略是「Caching」（快取），透過運用預先計算好的快取來大幅降低成本和延遲。當上下文內容僅是增加而非轉換時，快取能有效節省重複運算所需資源。然而，若對上下文進行摘要等修改，則可能破壞快取機制，導致需重新計算而抵消節省的效益。
此外，「Progressive Disclosure」（漸進式揭露）則強調僅在AI代理需要時才載入必要的元件，而非一次性載入所有指令，這有助於更有效地管理AI技能。早期的實驗顯示，在未經壓縮或修改的情況下，保留「完整歷史」資訊通常能在記憶回溯方面提供最佳結果，並且由於快取的效益，成本更低、速度更快。
綜合來看，Context Engineering 是一門整合壓縮、記憶體管理和技能優化的全面性學科。透過仔細規劃AI模型所接收的資訊，開發者能顯著提升AI代理的效能，同時降低營運成本並改善使用者體驗，這對於企業應對日益攀升的AI運算費用至關重要。