- 综合排序
- 最热优先
- 最新优先
- 来自专栏设计模式
AI 智能体上下文工程 4 大实用策略解析
上下文工程是在智能体运行轨迹的每个步骤中，为其上下文窗口填充恰到好处信息的艺术与科学。在本文中，我们通过回顾各类热门智能体及相关论文，拆解了上下文工程的几种常见策略——写入、选择、压缩和隔离。 和RAM一样，LLM的上下文窗口容量有限，无法容纳所有来源的上下文信息。而正如操作系统会精心筛选适合存入CPU内存的内容，“上下文工程”也扮演着类似的角色。 【上下文工程是】“……一种精妙的艺术与科学，旨在为下一步操作的上下文窗口填充恰好所需的信息。” LLM应用中常见的上下文类型 在构建LLM应用时，我们需要管理哪些类型的上下文呢？ 鉴于此，Cognition公司强调了上下文工程的重要性： “上下文工程”……实际上是构建AI智能体的工程师的首要工作。 德鲁还提到了Provence，这是一种用于问答任务的训练型上下文修剪器。 4. 隔离上下文（Isolate Context） 隔离上下文指拆分上下文，以帮助智能体执行任务。
86311编辑于 2025-10-20 - 来自专栏MixLab科技+设计实验室
上下文工程Context Engineering
最近，又多了个新的概念，上下文工程，这是从提示工程发展而来的，因为随着LLM上下文的增长以及Agent能力的提升，写好一句prompt已经远远不够了，我们需要为AI Agent处理动态的上下文信息，处理得越好 毕竟底层LLM都是大家就能接入的，而上下文工程，那就非常考验架构和工程能力了。 以下是上下文工程必须要了解的知识点，欢迎查看： # Prompt 工程的局限 Prompt Engineering 是一门设计和优化提示（prompts）的技术，旨在有效利用大型语言模型（LLMs）来执行各种应用和研究任务 然而，随着 LLM 上下文窗口的显著扩大（在过去两年中从 4K 增加到超过 1M tokens），Prompt Engineering 的局限性也日益凸显。 LLM 并非直接调用工具，而是输出它想要调用的工具和参数，然后由应用程序实际执行调用并将结果放回上下文窗口。 4.
25210编辑于 2026-03-24 - 来自专栏机器学习与统计学
上下文工程比提示词工程更重要，6种上下文管理策略
大家好，我是Ai学习的老章 关于大模型中的上下文工程，刚看了一个Langchain的演讲，很不错，分享给大家 https://docs.google.com/presentation/d/16aaXLu40GugY-kOpqDU4e-S0hD1FmHcNyF0rRRnb1OU slide=id.p#slide=id.p 1、从提示词工程到上下文工程 2、“上下文工程” 体现了当下所面临的各类挑战 上下文污染（Context Poisoning） 示例：Gemini在玩《宝可梦 而在每一个工业级的 LLM 应用中，上下文工程是填充上下文窗口以提供恰到好处的信息的艺术和科学，以便为下一步提供正确的背景信息。 4、上下文工程5大实践 1、转移上下文负担 利用文件系统存储笔记（see: Drew’s post[1], Anthropic multi-agent[2]）。 根据工具描述检索相关工具（参考: Drew’s post[15]). 4、隔离上下文 在多智能体之间拆分上下文（参考: Drew’s post[16], Anthropic[17]).
77810编辑于 2025-07-27 - 来自专栏MixLab科技+设计实验室
从上下文工程到驾驭工程
缰绳 （架构约束）引导它走正确的路，马车（上下文工程）提供舒适的承载空间，车上的镜子（反馈循环）随时照出它的状态，而车夫（熵管理）则负责清理它奔跑时留下的杂乱痕迹。 再之后，知名工程师 Martin Fowler 在 Twitter 上为 Thoughtworks 工程师对这份报告的深度分析站台。 Harness 到底在做什么 根据 OpenAI 官方报告的描述，Harness 由三个核心类别组成： 第一层：Context Engineering（上下文工程）。 不仅仅是给 Agent 一份文档，而是持续增强的知识库，加上动态上下文——比如可观测性数据、浏览器导航状态。 blockchain.news. [2] Mitchell Hashimoto - My AI Adoption Journey. [3] Martin Fowler - Harness Engineering. [4]
9.7K72编辑于 2026-03-25 - 来自专栏周末程序猿
谈谈上下文工程（Context Engineering）
什么是上下文工程 上下文，是在一次 LLM 推断过程中被纳入采样的全部 token 集合，上下文工程的核心任务，是在模型固有约束下，优化这些 token 的效用，以更稳定地获得预期结果。 上下文工程 vs 提示工程 提示工程：编写和组织模型指令以获得最佳输出，通常聚焦系统提示如何写得清晰、有效。 “上下文工程” 的艺术就在于：在有限的上下文窗口中，选取最有价值的子集。 3. 为什么 “上下文工程“ 对强代理至关重要？ 这些问题需要用更好的处理方法：把上下文视为稀缺资源，并以工程化方式加以管理，是构建强大代理的基础。 4. 什么是有效上下文？ 4) 遵守输出格式，控制总长度（答案≤200字，引用≤3条）。
56811编辑于 2025-11-13 - 来自专栏机器之心
提示词工程、RAG之后，LangChain：上下文工程开始火了！
至于重要性，下面这张图很好地概括了上下文工程与提示词工程、RAG 等的关系。 在传统的提示工程中，开发者通常侧重于精心设计提示语，以期得到更好的答案。 如今，提供完整且结构化的上下文信息比任何巧妙的提示词更为重要。 上下文工程就是为此诞生的。 上下文工程是构建动态系统，以正确的格式提供合适的信息和工具，从而使得 LLM 能够合理地完成任务。 因此，上下文工程正在成为 AI 工程师可以发展的最重要技能。 什么是上下文工程？ 上下文工程是指构建动态系统，以合适的格式提供准确的信息和工具，使 LLM 能够合理完成任务。 上下文工程是一个系统。 上下文工程与提示工程有何不同？ 为什么要从提示工程到上下文工程转变？早期，开发者专注于巧妙地给出提示以引导模型给出更好的答案。 但随着应用变得更加复杂，现在越来越明显的是，提供完整且结构化的上下文比任何巧妙的措辞更为重要。 我们可以将提示工程视为上下文工程的一个子集。即使你拥有所有的上下文，如何在提示中组装它仍然至关重要。
78710编辑于 2025-06-26 上下文AI与搜索平台集成以扩展精准上下文工程
没有正确的上下文，AI模型难以保证相关性，常常产生不准确或“幻觉”的响应。上下文工程旨在解决一个根本问题：在正确的时间以正确的格式提供正确的信息，使AI代理能够执行复杂的、特定于用例的任务。 Contextual AI平台由检索增强生成（RAG）的先驱创立，提供了一个全面的上下文工程平台，用于快速构建开箱即用、具有卓越准确性的AI代理。 随着代理和AI系统变得越来越复杂，上下文工程确保它们能够在正确的时间访问并推理正确的信息。 通过将某中心的混合搜索和向量数据库与Contextual AI的上下文工程平台相结合，开发者获得了一个功能丰富的统一体验，可以在准确的企业上下文中落地他们的代理，而无需增加复杂性。 这一联合解决方案使开发者能够：实现前所未有的准确性：通过使用Contextual AI的上下文工程平台和某中心的混合搜索，代理可以检索并推理最复杂的企业数据，包括财务报告、法律文件和工程规范。
17910编辑于 2025-12-20如何高效执行智能体上下文工程
然而，随着LLM能力的增强，提示工程已经演变为上下文工程：优化输入LLM的所有数据，以在复杂任务上实现最大性能。本文将深入探讨智能体上下文工程，即专门为智能体优化上下文。 这与传统的上下文工程不同，因为智能体通常需要执行更长时间的任务序列。鉴于智能体上下文工程是一个广泛的话题，本文将深入探讨以下列出的主题，并撰写后续文章涵盖更多内容。 具体的上下文工程技巧缩短/总结上下文工具使用在深入探讨上下文工程的具体细节之前，首先说明为什么智能体上下文工程很重要。 为什么智能体需要上下文工程现在我们知道了为什么需要智能体，但为什么智能体需要上下文工程呢？主要原因是，当LLM的上下文包含更多相关信息且噪音（不相关信息）更少时，其性能总是更好。 我们需要从LLM的上下文中移除这些噪音信息，并确保所有相关信息都存在于LLM的上下文中。具体的上下文工程技巧智能体上下文工程建立在传统上下文工程的基础之上。
22310编辑于 2025-12-17Agentic上下文工程真能杀死LLM微调？
斯坦福大学最新提出的主动式上下文工程 Agentic Context Engineering（ACE）技术，正在挑战这一看似理所当然的做法，它让AI第一次拥有了类似人类的"经验积累"能力。
13810编辑于 2026-02-02- 来自专栏斑斓
DDD 实战 (4)：战略设计之系统上下文和限界上下文
02 系统上下文定义 本系统的主要用户是 4 类：消费者客户、商家创建人、商家授权操作人、平台运营人员。 本节战略设计部分，主要需要完成 V 型映射的后半部分：从业务服务（业务用例）到限界上下文。我们将通过如下的 4 个步骤来得出最终的限界上下文划分及其映射关系。 在按照以上 4 个步骤分析的过程中，我们需要注意的是：我们要始终考虑限界上下文的主要 4 个设计特征：最小完备、自我履行、稳定空间、独立进化。 同时，我们在这一步，再回顾限界上下文设计的 4 个特征：最小完备、自我履行、稳定空间、独立进化。 经过第三步的分析，我们调整后的限界上下文列表如下图： 4 考虑技术和管理因素 我们还有最后一步分析：根据系统上下文边界、以及技术实现因素，对限界上下文的识别情况进行最终的确认。
1.8K20编辑于 2023-03-23 Alexa上下文语音识别的工程实现解析
Alexa上下文语音识别的工程实现自动语音识别（ASR）是将语音信号转换为文本的技术。某中心的语音系统为每种语言维护统一的核心ASR模型，但其AI团队通过实时适配用户上下文来提升识别精度。 上下文感知的技术实现设备上下文利用 带屏幕的设备可显示查询应答列表，当处理后续指令时，ASR模型会优先识别列表中的条目。 规模化工程挑战 以确认型追问场景为例（如用户说"打电话给Meg"后需选择联系人），上下文感知使ASR错误率降低26%。 ）的短文本数据表：独立存储加密的原始语句和上下文数据避免频繁加解密操作，仅在实际需要生成上下文向量时解密实时计算窗口优化利用系统响应时间窗口执行上下文向量计算麦克风重启指令（expect-speech） 系统设计支持离线实验新上下文信号，持续优化模型效果。技术团队强调：将实验室模型转化为海量用户服务需要严谨的系统设计，某中心工程团队通过科学与工程的紧密协作，实现了上下文机器学习在亿级规模下的稳定运行。
27211编辑于 2025-08-28- 来自专栏AgenticAI
别再靠运气写 Prompt，上下文工程实战手册！
不过我觉得，“上下文工程”的基础更扎实一些。 1. 什么是上下文工程？ img 可以这样理解： Prompting（提示词）：是你直接让模型去做某件事。 上下文工程版本： [角色] 你是一名中年软件工程师，给同行写博客。 [受众] 有经验但对 LLM 持谨慎态度的开发者。 [语气示例] “是啊，Copilot 会写测试。 4. 我是怎么想出这些上下文的？ 没有什么工具或模板，就是普通思考、反复试验，然后问自己：“如果我要自己写，会先需要知道什么？” 其实你可能已经在做上下文工程了，如果你曾经： 给提示词加过示例 改写提示词以调整语气 描述过目标受众 删除过多余文字以节省空间 ——那你就在做上下文工程。 译者注：所以我觉得所谓的上下文工程，如果只是本文来看的话，和提示词工程有什么区别呢？和我之前高赞原创的似乎没什么区别？ 那么你的看法是什么呢？评论区留下你的见解。 敲黑板！
1.3K10编辑于 2025-08-11 - 来自专栏Elastic Stack专栏
Shell 工具不是上下文工程的灵丹妙药
Shell 工具不是上下文工程的灵丹妙药 代理最重要的工具之一是用于构建自身上下文的搜索工具。 最近，LlamaIndex 和 LangChain 的帖子引发了一场讨论：对于上下文工程来说，shell 工具和文件系统是否足够？ 不幸的是，这场讨论很快偏离了主题，变成了文件系统与数据库的比较。 上下文工程中有哪些搜索接口？ 上下文可以存在于不同的位置，例如网络、本地文件系统或数据库。 [4]。 拥有专用数据库工具的代理使用的令牌更少，速度更快，错误更少，而只使用 shell 工具和文件系统的代理相对较差。 总结 文件系统与数据库的争论分散了工程师们应该关注的问题：代理需要什么样的搜索接口来构建自己的上下文？ 答案很可能是，不只一种。
13010编辑于 2026-04-01 - 来自专栏大前端修炼手册
上下文工程与提示词工程：拆解 OpenClaw 是如何「喂养」大模型的
同样用 GPT-4o，有人做出来的 Agent 逻辑清晰、行为可预测，有人做出来的 Agent 答非所问、转个弯就忘了上下文。差距在哪？ 大多数人第一反应是：模型不一样，或者参数调得不好。 真正拉开差距的，是上下文工程（Context Engineering）和提示词工程（Prompt Engineering）。 一、上下文工程：Agent 开发最被低估的工程问题 什么是上下文窗口管理 LLM 没有持久记忆，它只能看到被塞进上下文窗口里的内容。你塞什么，它就基于什么推理。 上下文工程要解决的核心问题是：在有限的 token 预算里，把最有价值的信息放进去，把噪声排出去。 写在最后 上下文工程和提示词工程这两件事，本质上都是在做同一件事：为模型的每次推理构建一个信息质量尽可能高的输入。这件事没有银弹，但有工程原则可循——分层、模块化、按需加载、明确优先级。
40010编辑于 2026-04-02 - 来自专栏yeedomliu
ChatGPT-4提示工程
-4、ChatGPT-4区别 特性 ChatGPT-4 GPT-4 目的 主要用于在对话中生成类似人类的文本、回答问题和提供解释。 虽然它理解语言差异，但在理解对话的效率上可能不如ChatGPT-4。 可扩展性 它特别优化用于交互式和实时应用。 由于它的关注点更广泛，可能在交互式应用中没有做到优化。 上下文保留 不保留对话历史。 保留对话历史以更好地了解上下文。 定制化 它设计得更加可定制，因此可以更好地模仿用户的对话风格或语调。 GPT-4的定制性较低，因为它设计用于更广泛的任务。 1.37T 自然语言理解，自然语言生成，问题解答，文本摘要，代码生成，翻译，客户服务，聊天机器人，剧本写作，语言转SQL，创意写作，研究等 提示工程的力量 提示工程本质上是指制定精确和有效的提示技术， 使用步骤 确定目标 明确要求 提供背景信息 提示工程是一种设计有效提示或指令的艺术，以从AI模型（如ChatGPT-4）获取期望的输出。
45810编辑于 2023-09-03 - 来自专栏coding for love
第 4 章 需求工程
简介 4.1 功能型需求和非功能性需求 4.1.1 功能性需求 4.1.2 非功能性需求 4.2 需求工程过程 4.3 需求抽取 image.png 4.3.1 需求抽取技术 image.png 4.3.2
53960发布于 2020-07-01 - 来自专栏AI大模型应用开发炼丹房
告别提示工程！上下文工程如何重新定义AI Agent的效率边界？
这一转变标志着提示工程（Prompt Engineering）正在自然演进为上下文工程（Context Engineering）。本文我将从技术视角剖析上下文工程的核心逻辑，希望能帮助到各位。 一、什么是上下文工程？ 简单来说，上下文工程是将正确的信息以正确的格式在正确的时间传递给LLM的艺术和科学。 下图直观展示了两者的区别：左侧的提示工程流程简单：系统提示+用户消息→生成回复；右侧的上下文工程则是一个动态循环：模型从“可能上下文池”（文档、工具、记忆文件等）中通过“策划”环节筛选最优信息，填入有限上下文窗口 二、为什么上下文工程至关重要？ ps：关于上下文工程的工作原理，如果你不清楚，我之前有写过一个很详细的技术文档，建议粉丝朋友自行查阅：《图解Agent上下文工程，小白都能看懂》三、高效上下文工程的三大核心组件 1.
83230编辑于 2025-10-09 - 来自专栏DeepHub IMBA
AI智能体开发实战：从提示工程转向上下文工程的完整指南
还记得去年各大公司给提示工程师开出30万美元年薪的疯狂时期吗？现在这些招聘信息基本销声匿迹了。从技术角度看，提示工程确实有些"投机取巧"的意味——本质上就是让人们相信自己在做"工程"工作的华丽包装。 人们开始把传统软件工程的严谨方法和大语言模型的能力结合起来。这篇文章会深入探讨如何构建真正可扩展、生产环境稳定的智能体工作流。 上下文工程才是核心 虽然我从一开始就对提示工程持保留态度，但不得不承认这个领域的确积累了不少有价值的经验。没有万能的提示技巧，但针对特定数据集和场景，某些提示方法确实能带来明显的性能提升。 关键在于，单纯的提示远远不够——它只是"上下文工程"的一个小组成部分。 软件开发最初采用有向图结构，类似流程图的形式来表示顺序或分支逻辑。 许多研究表明，LLM在超过32k上下文窗口后可靠性显著下降，即便它们能处理百万级token。上下文越长，产生幻觉的概率就越高。
26210编辑于 2025-11-15 AI的关键不是提示词而是上下文-谈从Prompt工程到Context工程
这揭示了一个重要趋势：AI代理的失败主要源于上下文失败而非模型缺陷，因此构建有效AI系统的关键是工程化上下文管理。 那么对于上下文工程和传统提示词工程的对比如下表： 接着我们再看下对于复杂问题上下文工程完整的处理流程如下图： 从上面的逻辑图，我们也可以看到上下文工程的核心组件包括了： 七个上下文维度 - 按照文章中提到的分类 ，我的第一感觉就是上下文工程就是一种通用性的Agent，具备了复杂任务感知理解和拆分，任务规划和执行，长上下文记忆和存储，多轮反思和迭代，高度工程化和自主性等关键特点。 4. 回答问题的风格要以我第一人称进行，文章内容风格和我历史文章风格完全一致，不要让人感觉是AI输出内容。 5. 注意列出4到5点最关键的点进行说明。7. 注意回答的不要太官方，太理论化，尽量通俗易懂，语言直白，可以增加些我文章经常用到的一些惯用词，类似简单来说，也就是，实际上，可以讲等。8.
88711编辑于 2025-07-08- 来自专栏学谦数据运营
Extreme DAX-第4章 上下文和筛选
4.3.4 步骤 4：对表达式进行计算 CALCULATE 工作顺序的最后一步很简单：在设置完筛选上下文、删除筛选器并添加新筛选器之后，我们就可以在新的上下文中计算第一个参数中的表达式了。 = 4 VAR TableVariable = FILTER( ALL(fSales[UnitAmount]), fSales[UnitAmount] = Variable4 ) RETURN TableVariable 注意 Variable4 和 TableVariable 在 CALCULATE 的筛选器参数中使用；两者都在原始查询上下文中进行计算。 相反，Variable4 和 TableVariable 不能在 CALCULATE 的第一个参数中使用。Variable1 和 Variable2 是整个表达式的一部分，可以在任何地方使用。 让我们再次回顾一下 AvgUnitAmount4 的度量。
7.4K21编辑于 2022-05-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号