- 综合排序
- 最热优先
- 最新优先
上下文AI与搜索平台集成以扩展精准上下文工程
生成式AI革命已持续三年，但AI的有效性受到“上下文差距”的限制。 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。 如今，我们很高兴地宣布，Contextual AI正式加入Elastic AI生态系统——这是一套与Elasticsearch上下文工程平台和向量数据库集成的全面AI技术和工具。 其开放的、可用于生产的架构使其成为大规模构建可靠、上下文驱动的AI应用的理想基础。 通过将Contextual AI用于构建专业RAG代理的端到端上下文工程平台，与某中心的强大向量数据库和统一的Elasticsearch平台相结合，我们正在解决AI开发中最紧迫的挑战：上下文相关性和运营规模
16410编辑于 2025-12-20- 来自专栏圣杰的专栏
.NET+AI | MEAI | 上下文压缩（7）
Chat Reducer：让 AI 对话突破上下文限制 一句话简介 Microsoft.Extensions.AI 的 Chat Reducer 通过智能压缩策略,在保持对话质量的前提下,有效控制上下文长度 核心价值 ✅ 突破限制:解决 LLM 上下文窗口限制(如 GPT-4 的 8K/32K tokens) ✅ 成本优化:减少输入 token,显著降低 API 调用成本 ✅ 性能提升:缩短上下文长度,加快模型推理速度 SummarizingChatReducer(摘要压缩器) 利用 AI 自动生成摘要压缩历史对话。 核心特性: 超过阈值时自动调用 AI 生成摘要 摘要存储在 AdditionalProperties 中 渐进式压缩(新摘要包含旧摘要) 保留完整语义上下文 适用场景: 医疗咨询(完整病史重要) 使用计数压缩器 using Microsoft.Extensions.AI; // 创建压缩器,保留最近 3 条消息 var countingReducer = new MessageCountingChatReducer
19210编辑于 2025-12-28 - 来自专栏phodal
AI 智能体交互语言 DevIns：构建上下文感知的 AI 驱动编程
在 AutoDev 1.7.2 中，我们开始构建一个新的 AI Agent 语言：DevIns，即 Development Instruction。 PS：其实原来是叫 DevIn，但是无奈 Devin AI 项目发布了 demo 视频，所以改名为 DevIns。 在 AutoDev 项目中，我们通过构建上下文感知与自定义能力，来实现对于软件开发任务的智能辅助，如自动测试生成与运行、UI 自动生成等。 你可以将你的需求描述成自然语言： 解释代码 /file:src/main/java/com/example/Controller.java 而后，AutoDev 将会结合上下文，并将其编译成对应的指令文本 而当语言接近发布的时候， 在社交媒体上更火的 Devin AI 项目也刚好发布了 demo 视频。 WTF????
44210编辑于 2024-03-25 VFP AI 插件：超长上下文的识别(一)
VFP AI 插件在访问大模型时，有一个上下文长度的问题。 对于 DeepSeek 而言，其大小为 128K(=128000 token)。 VFP AI 插件 2025.12.15 版，初步实现超长上下文的处理： 所分析 VCX 类库，使用类浏览器转换出的 prg 格式文件，文件体积为 400+KB，共 10329 行，超过模型最大上下文的最大限制
9910编辑于 2026-03-10你是什么，你的 AI 就是什么，你的上下文是怎样的，你的 AI 上下文就是怎样的
这不仅是角色扮演，更是一种思维同频： 当你以老板的上下文跟 ta 讲： 谈的是护城河、ROI、资源配置和宏观战略，ta 瞬间就是另一位深谋远虑的合伙人，与你推演商业棋局； 当你以生物学家的上下文跟 ta 在这个过程中，AI 并不是在凭空创造，而是在「共鸣」。 但这往往不是因为 AI 不够聪明，而是因为站在镜子前的人，并没有给出足够清晰的影像。 PART.04 你是谁，便遇见谁 使用 AI 到最后，你会发现这其实是一场向内的修行。 限制 AI 输出上限的，往往不是算力，也不是显卡，而是： 你对问题本质的理解程度； 你构建专业语境的能力； 你自身知识体系的边界。 你是什么，你的 AI 就是什么。
13610编辑于 2026-01-27VFP AI 插件：超长上下文的识别(二)
距离上一篇VFP AI 插件：超长上下文的识别(一)有些时间了。经过不断的试错和优化，终于完成了 VFP AI 插件的超长上下的识别。将时间从数小时压缩至最多几十分钟。 也意味着，为使用 VFP AI 插件进行项目分析扫清了主要的障碍。 凤凰涅槃，浴火重生！
9210编辑于 2026-03-10Go在AI对话上下文压缩处理上的实践
这是因为大模型有上下文长度限制，对话越长，历史消息越多，就越容易超限。结合我的理解，这篇文章分享一下如何实现上下文压缩，让你的 AI 应用既能"记住"关键信息，又能节省成本。 为什么需要上下文压缩？ 面对上下文压缩，我们有三种主流策略： 摘要压缩：让 AI 把历史对话总结成一段摘要。适合长对话场景，比如客服机器人、知识问答。优点是信息损失小，缺点是需要额外 API 调用。 也可以根据 Token 数量判断，超过总上下文的 70% 就压缩。 注意事项： 摘要会丢失细节信息。如果用户问"我刚才说的那个餐厅叫什么"，AI 可能答不上来。 太小会丢失上下文，太大又起不到压缩效果。可以根据实际场景调整。 一个改进技巧： 系统消息（System Prompt）要始终保留。它定义了 AI 的角色和行为准则，丢了会影响回复质量。 可以设计一个机制，当 AI 不确定时主动追问："抱歉，能再告诉我一次您的联系方式吗？" 写在最后 今天我们介绍了三种 AI 对话上下文压缩策略： 摘要压缩：让 AI 总结历史，保留语义完整性。
20910编辑于 2026-03-02- 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】“……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？ ）：上下文内容过多超出模型训练适应范围 - 上下文混淆（Context Confusion）：冗余上下文影响响应结果 - 上下文冲突（Context Clash）：上下文各部分信息相互矛盾 工具调用产生的上下文会在智能体的多轮交互中不断累积 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。 在AI工程师世界博览会上，西蒙·威利森（Simon Willison）分享了一个选择失误的例子：ChatGPT从记忆中获取了他的位置信息，并意外地将其注入到用户请求生成的图像中。 选择上下文——将信息拉入上下文窗口，辅助智能体执行任务。 压缩上下文——仅保留执行任务所需的tokens。 隔离上下文——拆分上下文，以帮助智能体执行任务。
70211编辑于 2025-10-20 - 来自专栏DotNet NB && CloudNative
.NET + AI | 可控广播上下文相关的函数列表
上下文匹配搜索：每次发起会话时，根据上下文信息在向量存储中搜索最匹配的函数。 模型调用：将匹配的函数传递给语言模型，用于生成更准确的响应。 Microsoft.SemanticKernel.Agents.Core,*-*" #r "nuget:Microsoft.SemanticKernel.Connectors.InMemory,*-*" #r "nuget:Microsoft.Extensions.AI 初始化 Kernel 通过 Kernel 实现 AI 服务的初始化，包括注册聊天模型和嵌入生成器： var builder = Kernel.CreateBuilder(); // 添加 Azure 代码如下： using Microsoft.Extensions.AI; ///
/// 返回属于不同分类的函数列表。 自定义上下文函数提供者 通过 InMemoryVectorStore 和 ContextualFunctionProvider 实现上下文感知功能选择： using Microsoft.SemanticKernel.Connectors.InMemory 18200编辑于 2025-07-04 - 来自专栏又见苍岚
上下文
所以业务上下文变更需要慎之又慎。 运行程序上下文 大家应该对一句话有印象：（进程/线程）上下文切换开销很大。这里的上下文一般指的就是运行程序的上下文。 这里的通信问题就是进程上下文切换开销大的缘故。 方法/类所在的上下文（作用域） 方法上下文可以理解为方法所在的作用域。类亦如此。 还有一些比较特殊的概念实际上也是和方法上下文相关。 比如worker语言特性中，需要监听message事件，这实质上，就是在当前上下文监听另一个上下文的状态。再比如回调函数。实际上是因为上下文变更后，对原有上下文访问的一种编程手段。 从这个角度看，闭包实质上也是对上下文的一种操作手段：返回一个函数，该函数在当前上下文可以操作闭包上的上下文。 执行上下文：当函数或方法被调用时，它会创建一个执行上下文，这个上下文包括了局部变量、参数、返回地址等信息。在JavaScript等语言中，执行上下文还包括this的值。
68510编辑于 2024-07-31 - 来自专栏AI uTools
Autopilot：全球首个基于上下文引擎的 AI 办公助手
Context Autopilot：全球首个上下文引擎驱动的 AI 办公助手 Context Autopilot 是由 Context 公司推出的一款 AI 办公助手，旨在通过先进的人工智能技术提升工作效率 上下文引擎使用：根据上下文推理与公司需求对齐，并能回忆与任务相关的所有信息。 主要功能特点 AI 驱动的操作系统： 基于 大语言模型（LLM），成为用户智能助手，处理并自动化工作任务。 关键技术 上下文引擎和记忆堆栈 上下文引擎：执行深度推理，挖掘信息中的联系，提供对知识体系的深入理解。 记忆堆栈：具有“状态保持”能力，支持动态上下文处理，使 Autopilot 能够自我优化。 推理与长上下文处理（Long Context Handling） 在长时间任务中保持任务的上下文一致性，优化推理能力，处理复杂任务。
1.4K10编辑于 2024-11-18 【AI大模型新资讯】从信息蜂房到上下文工程
（3）AI游戏引擎不同于传统游戏引擎，AI游戏引擎是玩家想象力的“放大器”，任何人可以随心所欲“创造”游戏！AI引擎的崛起带动着生成式游戏的兴起与发展。 （4）质陪解决方案由中关村科金得助智能开发，创造性地融合成熟的AI大模型质检与陪练系统，推出了全面高效的“质陪解决方案”。智能质检采用大小模型结合的方式，对销售人员的销售行为进行全方位监测和分析。 （5）上下文工程上下文工程指通过为任务提供完整的背景信息，让大模型能够合理解决问题。在AI智能体的兴起发展过程中，上下文工程才是决定大多数AI智能体成败的关键而并非模型。 上下文工程致力于设计和构建动态系统而并非字符串，这些系统在恰当的时机提供信息和工具，从而让LLM拥有完成任务所需的一切。
14220编辑于 2025-07-15- 来自专栏AI大模型应用开发炼丹房
揭秘上下文工程+MCP：打造高效AI智能体的秘诀
大模型其实根本不用懂 模型上下文协议（MCP）如今已成为构建AI智能体时“工具调用”的标准配置。但很多人误解了一点：你的大语言模型（LLM）并不需要理解MCP是什么。 如果你对上下文工程不是很清晰，我之前也整理过关于Agent上下文工程的工作原理，建议粉丝朋友自行查阅，以便更好的理解本文的分享内容：《图解Agent上下文工程，小白都能看懂》MCP 的作用，其实是帮助AI AI回复（可能包含工具调用请求）2. 用户问题（如“旧金山天气如何？”）2. 若需调用工具：标注工具ID、名称及参数3. 三、MCP：开发者的“工具万能接口” 模型上下文协议（MCP）的本质，是一种标准化方法，用于帮助AI智能体连接多种数据源，包括工具、提示语、资源、示例等。 四、回归上下文工程：MCP是来帮你减负的 “上下文工程”的核心在于为模型提供高质量的背景信息，以引导其生成更准确的回复。
75651编辑于 2025-09-30 - 来自专栏菩提树下的杨过
spring-ai 学习系列(8)-上下文记忆-多轮对话
继续spring-ai学习之旅，大模型本身是无状态的，也就是每次请求对它来说，都是全新的，无记忆！ \n\n不过，可能题目是在某种特定的上下文中，比如在数学问题中，或者可能题目本身存在一些陷阱。比如，有时候变量可能有不同的含义，或者在某些语言中，变量名可能与实际值不一致？ >org.springframework.ai</groupId> 3 <artifactId>spring-ai-starter-model-chat-memory-repository-jdbc 最新版本只有1.0.0，但是spring-ai-bom最新版却是1.1.0。 当前新问题，扔到聊天上下文中 chatMemory.add(conversationId, new UserMessage(prompt)); // 2.
88610编辑于 2025-08-22 - 来自专栏量子位
迁移学习让AI更好地理解上下文：Salesforce新论文
理解上下文，就是一个非常适合迁移学习的问题。 Learned in Translation 我们所能想到的大部分NLP任务，都有“理解上下文”的需求。 理解上下文 要在上下文中理解词语，通常会用到循环神经网络(RNN)。RNN非常适合处理词向量序列，本文作者为了更好地处理长序列，使用了一种特殊的RNN结构：长短时记忆网络(LSTM)。 ? 结论 简单概括起来，这项研究就是说，让AI学一学翻译，能帮它更好地理解语言，在分类、问答等等其他NLP任务上都会有更好的表现。? 相关链接 博客文章： https://einstein.ai/research/learned-in-translation-contextualized-word-vectors 论文： Bryan Learned in Translation: Contextualized Word Vectors https://einstein.ai/static/images/layouts/research
1.3K40发布于 2018-03-28 - 来自专栏运维开发故事
cpu上下文
进程的上下文 用户级上下文: 正文、数据、用户堆栈以及共享存储区；寄存器上下文: 通用寄存器、程序寄存器(IP)、处理器状态寄存器(EFLAGS)、栈指针(ESP)；系统级上下文: 进程控制块task_struct 它们都是 CPU 在运行任何任务前，必须的依赖环境，因此也被叫做 CPU 上下文。 进程上下文切换 ? 每当内核压入一个新的系统上下文层时，它就要保存一个进程的上下文。 特别是当系统收到一个中断，或一个进程执行系统调用，或当内核做上下文切换时，就要对进程的上下文进行保存。上下文切换情况： 一个进程结束，需要从队列中重新选择一个进程运行。 从逻辑上讲，新上下文层的核心栈不同于前一上下文层的核心栈。 这些指令恢复前一上下文层的寄存器上下文和核心栈，使它们和中断发生时的情况一样，并恢复该上下文层的运行。
1.1K20发布于 2021-08-13 AI时代MCP+上下文工程能否替代AI智能体+Workflow工作流编排
大家好，我是人月聊IT，今天接着聊AI和大模型方面的话题。 前段时间我在看了关于上下文工程的资料以后，我就一直在思考一个问题，就是我们把提示词升级到上下文工程以后，再结合MCP协议生态，能不能更好的去替代我们现在用AI智能体+Workflow做的这么一个事情。 所以说基于这个疑问，我刚好昨天也用Google的DeepResearch做了一次深度研究，我的问题很简单，就是上下文工程加上MCP能不能替代AI智能体，整个深度研究报告输出来以后，他也给我做了详细的一个梳理和分析 大家都知道我们有一个最常见的结合AI的自动化场景。 Python的代码，这三者加起来是一定可以代替大部分当前的AI智能体加Work flow的。
29011编辑于 2025-07-24- 来自专栏云云众生s
如何为AI智能体添加RAG以实现上下文理解
将RAG功能与其他代理功能（例如角色扮演）相结合，可以创建一个强大的企业级AI代理框架。 更多关于人工智能代理开发的系列内容（从GitHub下载所有代码）： 概述：AI 智能体：面向开发人员的全面介绍 步骤 1：如何通过调整 LLM 提示来定义 AI 智能体角色 步骤 2：增强 AI 智能体 ：添加指令、任务和内存 步骤 3：增强 AI 智能体：通过提示工程实现推理 步骤 4：如何为 AI 智能体添加持久性和长期记忆 步骤 5：如何为 AI 智能体添加 RAG 以实现上下文理解 在我们关于构建企业级 AI 智能体的系列文章中，我们已经探讨了各种关键组件——包括角色、指令、任务、会话记忆和持久性（参见上面的链接）。 状态管理应包含与上下文相关的信息，从而能够在会话之间保持持续的上下文感知。系统应提供清晰的上下文更新和维护接口。 未来展望 随着企业AI的不断发展，RAG和上下文管理的作用将变得越来越重要。
61310编辑于 2024-12-14 - 来自专栏phodal
预生成上下文：重构 RAG 的关键工程，构建 AI 编程底座
在上一篇文章《AI 友好架构：平台工程赋能 AI 自动编程》，我们提及了 DevOps 平台应该大量的预先生成项目、模板、上下文等信息。 在这一篇文章中， 我们将详细展开其中的一个核心实践：预生成上下文。 最近的几个月里，预先生成上下文在 AI 编码领域成为了一个热门话题，或者说技术趋势。 当前主流的 AI 编程工具在代码检索方面采用了多样化的策略，它们通常结合了传统的基于关键字和结构的方法与新兴的 AI 技术，以期在速度、准确性和上下文理解之间取得平衡。 总结 本文探讨了预生成上下文作为增强 AI 编程能力的关键机制。传统 RAG 方法面临的不确定性和知识质量问题，使得预生成上下文成为一种更可靠的替代方案。 预生成上下文代表了 AI 友好架构的重要实践，它将传统软件工程的结构化思维与AI大模型的生成能力相结合，为下一代智能编程工具铺平了道路。
43800编辑于 2025-05-10 - 来自专栏云云众生s
使用RAG和SEM-RAG提供上下文增强AI编码助手
基本 AI 编码助手虽然有帮助，但由于依赖对软件语言和编写软件最常见模式的总体理解，因此常常无法提供最相关和上下文准确的代码建议。 因此，典型的 AI 助手通常缺乏理解项目特定上下文的的能力，从而导致建议在语法上正确，但可能与团队的独特指南、预期方法或架构设计不一致。 通过全文或语义搜索，它仅检索足够多的上下文，并将其注入发送到 LLM 的提示中。 AI 编码助手可以使用类似（尽管更复杂）的方法，通过集成开发环境从现有代码库中检索上下文。 高性能 AI 编码助手可以抓取项目工作区以访问当前文件、打开文件、Git 历史记录、日志、项目元数据甚至连接的 Git 存储库中的其他上下文。 开发人员可以依靠这些增强的 AI 助手来生成不仅适合任务的代码，而且无缝融入更大的项目上下文中，从而最大程度地减少修订的需要并加速开发周期。
52110编辑于 2024-05-15
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