以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
0. 阅读收获 (takeaway) 读完本文，你将了解： 从 Prompt Engineering 到 Context Engineering 的范式转变 为什么 Agent 比普通 Chatbot 更 需要 Prompt Caching 什么操作会破坏 Cache（比你想象的多） Prompt 布局与动态信息管理的最佳实践 工具管理的三种 Cache-aware 方案对比 前置知识 ：本文假设你已经理解 KV Cache、Prefill/Decode 两阶段、以及 Prompt Cache 的前缀匹配机制。如果不熟悉这些概念，建议先阅读 理解 KV Cache 与 Prompt Caching：LLM 推理加速的核心机制 。 1
阅读原文 · 袁超发技术博客
向阳乔木 · deepseek-v4-1-flash-261017
一个 Agent 跑完一个任务，输入输出比大约是 100:1。模型吐出来的字只有它读进去的百分之一，剩下全是重复的历史。没有 Prompt Cache，每一步都要把这些历史重新 Prefill 一遍，成本随对话长度二次方增长。Claude Code 团队的人说过一句话：没有 prompt caching，编码 Agent 的成本根本不可承受。 这篇聊的是 A...