# DeepLearning.AI launches a Context Engineering course for reliable, token-efficient agents

> Original title: DeepLearning AI 新推出一门课程「Context Engineering」

- Source: meng shao
- Published: 2026-10-29T02:10:17.000Z
- Bad Influence: https://badinfluence.news/items/pfphpn044w4svn9quf3ybd8am
- Original: https://x.com/shao__meng/status/2115627250515320947

## Summary

DeepLearning.AI has launched a Context Engineering course that teaches building reliable, token-efficient AI agents by managing what the model sees, not by using larger context windows or rewriting prompts. The four-module course, taught with Chroma CEO Jeff Huber and Drew Breunig, covers agentic search, context management and agentic memory, with Python labs that use traces and evals to measure each change. It is aimed at people building AI agents who have intermediate Python and basic LLM app experience.

## Post

DeepLearning AI 新推出一门课程「Context Engineering」

课程把「上下文工程」当成让 Agent 在复杂多步任务里保持可靠、省 token 的主线：不是靠更大窗口或重写一句 prompt，是管好给模型看什么、怎么排、何时检索与记忆。课程用 Python 从零搭 harness，并用 trace 和 eval 量化每次改动！
https://www.deeplearning.ai/courses/context-engineering

两位主讲 
@trychroma CEO @jeffreyhuber - Chroma 已经被 Replit 收购
CMPND CEO @dbreunig - Context Engineering Handbook 作者  

为什么要学
Agent 跑得越久，上下文越容易塞满重复、矛盾、过时的信息。模型在长上下文上表现会变差，Jeff Huber 与 Chroma 团队把这类现象叫做 Context Rot。更大窗口治不好，单纯改提示也治不好；要修的是上下文本身：在合适时机，以合适格式，放进真正相关的信息。

你会练到的三条能力
· Agentic Search：多工具、多源取数；用 trace 改进工具选择，并用评估闭环。
· Context Management：用剪枝、压缩、草稿本整理任务所需信息。
· Agentic Memory：把用户反馈等存成可复用记忆，任务需要时取回，跨会话按变化增改。

适合谁
做 AI Agent、希望复杂多步任务更稳、更省的人。预设：中级 Python（函数与类）、熟悉 LLM 应用、工具调用和基本检索。页面建议可先刷 @DeepLearningAI 的 Agentic AI、RAG 课作热身。

# 课程结构（四模块）

模块 1｜Context Engineering 导论
Andrew Ng 与 Jeff Huber 对谈开场。讲清上下文由什么组成、常见失效方式、什么是 Context Rot，以及如何用 harness 的 hooks 与 traces 发现并预防问题。实验包括：上下文失效模式、拆解一个客服 Agent、动手塑造其上下文。Drew Breunig 第一段客座约 7 分钟。

模块 2｜Agentic Search
以编码 Agent 为例。覆盖词法、语义、混合与结构化检索；写好工具描述、用 tool registry 按需加载工具；用切块、代码解析、元数据改进检索，并用精确率 / 召回率衡量。含搭建搜索系统、工具注册表等实验；Drew 第二段客座约 5 分钟。

模块 3｜Context Management
以研究类 Agent 为例。先看清上下文窗口里有什么，再练 pruning（去重、抽取、截断等 hooks）、compaction（把长历史压成结构化摘要）、scratchpads（把全文与任务状态挪到窗口外）。对比「开 / 关」各操作前后的跑次差异，并做上下文管理评估。Drew 第三段客座约 4 分钟。

模块 4｜Agentic Memory
以邮件 Agent 为例。区分事实、规则、产物等可跨会话的记忆记录；决定每条新信息是新增、更新还是跳过；评估记忆是否真的让用户少重复交代。读写记忆各有实验；Drew 第四段客座较长（约 17 分钟），随后结课。

各模块均有分级作业与可选材料；实验多为约 1 小时量级的代码练习（页面标注）。

![](https://badinfluence.news/api/img-proxy?u=https%3A%2F%2Fpbs.twimg.com%2Fmedia%2FHVw3uJmbQAAIl8e.jpg&mode=thumb&exp=1793491200&sig=47f6177f4ea0a20d)