- 综合排序
- 最热优先
- 最新优先
- 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
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]）。 通过文件系统读写包含大量 token 的上下文（参考：Manus[4]）。 将文件用于存储长期记忆（参考：Ambient Agents course[5]/repo[6]）。 正如Andrej Karpathy所说： 除了上下文工程本身之外，一个 LLM 应用还需要： 将问题恰当地拆分成控制流 把上下文窗口调整得刚刚好 分配合适的 LLM 调用 处理生成-验证的 UI/UX
77810编辑于 2025-07-27 - 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 - 它被 Cognition 公司称为“构建 AI 代理工程师的首要任务”。Anthropic 也强调，代理在数百轮对话中需要精细的上下文管理策略。 6.
25210编辑于 2026-03-24 - 来自专栏DeepHub IMBA
从提示工程转向 上下文工程，6种让LLM在生产环境中稳定输出的技术
这些问题问题不出在提示词上，而是出在上下文上。 提示工程告诉模型怎么说话；context engineering 控制模型说话时看到什么。以下是把生产系统和Demo区分开的6种上下文工程技术。 什么是 Context Engineering Context engineering 是在运行时决定AI模型看到什么信息、何时看到、以何种结构看到的工程实践。 提示工程关注的是如何提问，context engineering 关注的是提供什么。 上下文工程做得好，小模型也能有不错的表现；做得差，最好的模型照样幻觉。 选择性检索：别再把什么都往里塞 如果我们把50个文档全部塞进上下文指望模型自己找到需要的内容。 这里的关键信息是：提示词本身很简单，真正起作用的是工程化后的运行时上下文。模型表现好，是因为它看到了结构化的权威数据，而不是因为有一段完美的提示词。
28910编辑于 2026-02-27 - 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。 Harness Engineering: leveraging Codex in an agent-first world. [5] shadow的笔记.md - YC关于"Vibe Coding"的核心指南 [6]
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）
大模型发展这两年，应用型 AI 的焦点一直在 “提示工程”（prompt engineering），但随着更强大的大语言模型（LLM）走向多轮、长时间的自主行动，一个更关键的概念开始走到台前：上下文工程 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？ - 工作记忆：仅保留当前决策所需的3个摘录 - 持久化：详细日志偏移、图表链接、附加线索写入笔记（不占用上下文） - Token 用量：每轮≈1‑2k tokens，随检索渐进增加但保持可控 6.
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 2026-02-02GPT-6技术架构前瞻：200万Token上下文与原生多模态的工程实现
GPT-6技术架构前瞻：200万Token上下文与原生多模态的工程实现摘要GPT-6（代号Spud）据传4月14日发布。 本文从云计算和AI工程角度，分析200万Token上下文、原生多模态架构和Agent自主运行对企业AI应用架构的影响。 一、200万Token上下文的工程影响对RAG架构的简化效应当前企业AI应用主流架构：文档 → Embedding → 向量数据库 → 检索 → Top-K → Prompt拼接 → LLM推理200万 GPT-6大概率采用了类似的优化。 工程意义• 跨模态推理更连贯（图+文理解不再有"拼接缝"）• 输入pipeline简化（不需要为不同模态设计不同的预处理）• 模型部署统一化（一个模型服务所有模态）三、Agent自主运行从"人驱动"到"
80410编辑于 2026-04-09- 来自专栏归思君的技术博客
从 ECMAScript 6 角度谈谈执行上下文
，用ES6规范解读的比较少，所以想从ES6的角度看一下执行上下文。 下面我尝试用ECMAScript 6规范文档，来聊聊执行上下文，文章主要从这几个方面介绍： ES6规范中的词法环境 ES6规范中定义的执行上下文结构 从ES6规范看实际代码的执行流程 一、 什么是执行上下文 下面根据上下文中的抽象方法，来看看执行上下文中的this值是怎样变化的： 6. 从ES6规范我们知道： 执行上下文栈是用来跟踪执行上下文的，当前处于栈顶的是正在运行的执行上下文 调用其他关联的可执行代码时，会创建一个新的执行上下文，并将这个新的执行上下文压入栈顶 借助一个例子来说明 第四步：执行完a()后，将a()函数执行上下文出栈： 第五步：执行完b()后，将b()函数执行上下文出栈，最后只留下全局执行上下文 五、从 ECMAScript6 角度看代码的执行流程 代码的执行主要分为两个阶段
40210编辑于 2023-12-22 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- 来自专栏波波烤鸭
mybatis教程6(逆向工程)
1.什么是逆向工程 简单点说，就是通过数据库中的单表，自动生成java代码。 Mybatis官方提供了逆向工程，可以针对单表自动生成mybatis代码（mapper.java\mapper.xml\po类）企业中，逆向工程是个很常用的工具,比我们手动创建映射文件的配置信息方便很多
90920发布于 2019-04-02 - 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。 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！ 吴恩达LLM Agent工作流Prompt精华全解析 想做得更好： 像给新人写说明书一样思考 不只说“让它有趣”——要示范什么叫“有趣” 永远假设模型需要明确的指导 6.
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。 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。 Anthropic [5] 和 Cursor [6] 的研究表明，这种方法可以节省 47% 到 85% 的令牌。 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。 6. Cursor. 动态上下文发现 (2026)。 Agent Builder 现已全面上线。通过 Elastic Cloud 试用 开始，查看 Agent Builder 的文档。
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
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。 ↓ Layer 2 · Workspace 注入层（运行时读取文件） SOUL.md / USER.md / MEMORY.md / AGENTS.md / TOOLS.md ｜ ~2,000~6,000 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javascript趣味编程
6 工程流体力学
[5] openFVM源代码 [6] 何志霞 热流体数值计算方法与应用[M]．北京：机械工业出版社，2014．有SIMPLE算法源码 [7] cfd-python-12-steps-to-navier-stokes
92320发布于 2019-04-26 - 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。 所以结合我个人的实践，我们来看下个人如何进行上下文工程的一些实践。 1. 6. 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
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