大型语言模型（LLM）应用，如智能体（agents）和领域特定推理，正越来越多地依赖于上下文自适应——即通过指令、策略或证据来修改输入，而非更新模型权重。以往的方法虽提升了可用性，但普遍存在简略偏差（briefness bias），即为追求简洁而牺牲了领域知识；同时存在上下文坍塌（context collapse）问题，即在多次迭代重写过程中，细节信息逐渐丢失。受动态备忘录（Dynamic Cheatsheet）中引入的自适应记忆机制启发，我们提出ACE（Agentic Context Engineering）框架，将上下文视为持续演化的操作手册，通过生成、反思与整理的模块化流程，逐步积累、优化并组织策略。ACE通过结构化、增量式的更新机制有效防止上下文坍塌，保留详尽知识，并可与长上下文模型良好扩展。在智能体与领域特定基准测试中，ACE在离线（如系统提示词）和在线（如智能体记忆）场景下均能优化上下文表示，持续超越强基线模型：在智能体任务上提升10.6%，在金融领域提升8.6%，同时显著降低适应延迟与部署成本。值得注意的是，ACE无需标注监督信号，而是通过自然执行反馈实现有效适应。在AppWorld排行榜上，ACE在整体平均得分上与排名第一的生产级智能体持平，并在更具挑战性的测试子集上实现超越，且仅使用了一个更小的开源模型。这些结果表明，全面且持续演化的上下文能够构建可扩展、高效且具备自我改进能力的LLM系统，且开销极低。