- 综合排序
- 最热优先
- 最新优先
- 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
40010编辑于 2023-12-22 - 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 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]）。 [4] Manus: https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus [5] course: https://academy.langchain.com/courses/ambient-agents/ [6] repo: https://github.com/langchain-ai [12] Manus: https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus [13
77710编辑于 2025-07-27 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
17810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) [User] 问题5 [User] 问题5 [Assistant] 回答5 [Assistant] 回答5 [User] 问题6 [User] 问题6
22210编辑于 2025-12-28 - 来自专栏编码视界
PySide6 GUI 编程（33）：重载右键上下文菜单 contextMenuEvent
示例代码from __future__ import annotationsimport sysfrom datetime import datetimefrom PySide6.QtGui import QAction, QContextMenuEventfrom PySide6.QtWidgets import QApplication, QMainWindow, QMenuclass MyMainWindow QContextMenuEvent): """ QMainWindow 的 contextMenuEvent(QContextMenuEvent *) 是一个事件处理器 它在用户请求上下文菜单时被触发 area）时触发，这取决于系统的行为和用户的设置 contextMenuEvent 事件处理器接收一个 QContextMenuEvent 对象作为参数 该对象包含了触发上下文菜单事件的相关信息
70254编辑于 2024-08-23 - 来自专栏自动化、性能测试
性能测试必备知识（6）- 如何查看“CPU 上下文切换”
结果分析 cswch：每秒自愿上下文切换 nvcswch：每秒非自愿上下文切换的次数 自愿上下文切换 进程无法获取所需自愿，导致的上下文切换 栗子：I/O、内存等系统资源不足时，就会发生 非自愿上下文切换 非自愿上下文切换，则是指进程由于时间片已到等原因，被系统强制调度，进而发生的上下文切换 栗子：大量进程都在争抢 CPU 时，就容易发生非自愿上下文切换 通过栗子去看上下文切换 前期准备 安装 sysbench 每秒上下文切换多少次才算正常？ 根据上下文切换的类型，具体分析 自愿上下文切换多了，说明进程都在等待资源，有可能发生了 I/O 等其他问题 非自愿上下文切换多了，说明进程都在被强制调度，也就是都在争抢 CPU，说明 CPU 的确成了瓶颈 （cs）、中断次数（in）、就绪队列（r）、CPU 使用率（us、sy） 若上下文切换次数和 CPU 使用率过高，通过 pidstat 查看是哪个进程或线程的切换次数过高，CPU 使用率过高 然后确认是自愿上下文切换还是非自愿上下文切换
3.1K10发布于 2020-07-27 - 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????
45810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
12210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。
17110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！
10010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。
31010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。
86111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。 6. 18800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。
72110编辑于 2024-07-31 - 来自专栏AgenticAI
6种AI Agent模式详解
在本文中，我们将探讨多种构建 AI 智能体结构的模式。这些模式有助于我们扩展功能、保持模块化，并更好地控制执行流程。 为什么使用多智能体模式？ 一开始，通常会采用单智能体模型。 适用于按领域或部门划分逻辑的系统 每个监督者管理一组特定任务或智能体 优势： 高度可扩展且结构清晰 各层级具备模块化控制能力 挑战： 实现复杂度较高 层级之间需要明确定义接口 适用场景： 企业级系统、多领域编排任务 6.
1.1K10编辑于 2025-07-27 - 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。
1.5K10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。
14620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。
80251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
\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？ ，所以直接的数学运算就是5+1=6，所以正确结果应该是6。可能这个问题本身是数学题，所以答案是6，不需要进一步的思考，只是直接给出结果。 \n\n总之，根据题目的信息，正确的答案应该是6，所以应该直接回答6。 \n</think>\n\n根据题目描述，变量A的初始值为5，执行A += 1操作后，变量A的值变为：\n\n**6**\n\n因此，答案是：6。" 当前新问题，扔到聊天上下文中 chatMemory.add(conversationId, new UserMessage(prompt)); // 2.
95510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。 /~amaas/data/sentiment/ 问题分类 TREC-6 http://cogcomp.cs.illinois.edu/Data/QA/QC/ TREC-50 http://cogcomp.cs.illinois.edu 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
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