身处AI浪潮之中，提示词工程、RAG、记忆这些术语或许已不陌生，但上下文工程（context engineering）这一领域却尚未引起广泛关注。 上下文工程（context engineering）这一领域却尚未引起广泛关注。
事实上，上下文工程并非新兴概念，近两年来众多智能体开发者始终对其保持密切关注。至于它与提示词工程、RAG等技术的关联及重要性，可通过以下图表一目了然地呈现。
在传统提示工程里，开发者往往聚焦于精心雕琢提示语，盼着借此获取更优答案。但随应用复杂度持续攀升，单纯依靠提示难以适配现代智能体需求的问题，渐渐凸显出来。到如今 为智能体提供完整、结构化的上下文信息，其重要性已远超那些精巧设计的提示词 。
一言以蔽之，上下文工程就是为满足上述需求才出现的。
简单来说，上下文工程就是构建动态系统，把合适的信息和工具，按正确格式提供给LLM，使LLM可以合理完成任务 。
多数情形下，智能体执行任务不尽人意，核心缘由是没把恰当的上下文、指令和工具传递给模型。LLM 应用正从单纯的提示，过渡到更复杂、动态的智能系统形态 。
基于以上原因，上下文工程已成为AI工程师提升专业能力的重点发展方向。
上下文工程致力于构建灵活可变的系统，通过精准匹配信息格式，为大语言模型（LLM）供给有效的信息与工具资源，从而助力其顺利达成任务目标。
上下文工程可视为一套完整的系统解决方案。随着智能体应用场景日趋复杂，其上下文信息来源愈发多元，既包含开发者构建的基础框架、用户动态输入，也涵盖历史交互痕迹、工具运行结果及第三方数据等。若想实现这些信息的有序整合与高效利用，必然需要一套复杂且专业的系统支撑。
上下文工程具有动态特性。由于大量上下文信息处于持续变化、实时生成的状态，因此在构建最终提示时，不能依赖固定的静态模板，而需要采用动态化的逻辑来应对。
准确信息的提供至关重要。智能体系统运行效果差，最常见的症结就在于缺失正确的上下文。大语言模型（LLM）无法洞悉人类思维，所以必须向其明确传递精准信息。毕竟在信息处理中，输入质量直接决定输出结果，低质量的输入只能换来毫无价值的反馈。
合理的工具支持是必要条件。由于LLM无法单纯依靠输入数据解决全部问题，在这些超出其原生能力范围的任务场景下，若想充分发挥LLM的效能，就需要为其配备适用的工具。无论是用于信息获取、任务执行，还是其他中间环节的辅助，这些工具都至关重要。可以说，在优化LLM任务处理能力方面，工具配备与信息供给同样关键。
规范的格式是交互基础。和人际沟通需注意表达逻辑类似，与LLM进行交互时，信息传递格式至关重要。特别是在LLM调用工具的过程中，规范设置工具的输入参数，是保障工具正常运作的必要条件。
在智能体系统运行失效的场景中，LLM通常是问题的关键所在。基于第一性原理进行深度拆解，LLM的错误可归因于两个核心因素:
一方面底层模型自身有漏洞，另一方面是模型能力不足以支撑任务。
底层模型在上下文传递环节出现缺失或偏差，使得最终输出无法达到预期的正确性。
伴随技术的不断精进，更多时候（特别是当模型变得更为强大时），模型错误多由第二个原因引发。致使模型性能降低的上下文传递问题，一般由以下因素导致：
上下文的缺失意味着模型未能接收到做出正确判断所需的完整信息。毕竟模型无法洞悉人类思维，若缺乏正确的上下文输入，它根本无法感知相关信息。
若上下文格式不正确，就会影响模型表现。这和人类沟通同理，表达形式会决定交流效果——数据传递给模型时，其格式精准度直接关系到模型的输出结果。
下文工程和提示工程不同点具体是什么?
为什么要推动从提示工程到上下文工程的变革？在智能模型发展的早期阶段，开发者往往将重心放在设计巧妙的提示词上，试图借此优化模型输出。但随着应用场景的复杂化，如今愈发明确：唯有提供完整、结构化的上下文信息，才能满足复杂任务需求，这远比精巧的提示措辞更具价值。
提示工程本质上是上下文工程的一个分支。即使手头有完整的上下文信息，如何将其组合成有效的提示仍是关键。二者的本质区别在于，提示工程聚焦于单个输入数据的优化，而上下文工程则需要管理动态数据集，并进行正确的格式处理 。
上下文的重要内容之一，便是指导LLM具体表现的核心指令。实际上，这一要素在提示工程中也发挥着关键作用。
关于工具的应用：智能体在检索外部信息时，需要依赖特定工具实现数据获取；而工具反馈的信息，必须经过格式调整，确保LLM能够准确理解并处理。
短期记忆管理：在长时间对话过程中创 建对话内容的精简摘要，便在后续交互中调用 。
关于长期记忆：一旦用户在之前的交流中表明过喜好倾向，就应当提取并利用这些数据。
提示工程设计：在生成提示信息时，要将智能体的操作要求进行清晰、完整的表述。
信息检索：通过动态方式获取相关数据，并在激活LLM前将信息补充到提示语句内。
粤ICP备14082021号
免费POC，
零成本试错
