当前位置：首页 > news >正文

【必收藏】AI落地训练营：详解大模型核心技巧——上下文工程

news 2026/3/27 2:45:13

核心观点：大多数 AI 智能体的失败，其根源不在于模型本身的能力不足，而在于“上下文工程”（Context Engineering）的缺失。

“上下文工程”这个概念近期在 AI 大模型领域迅速升温，它究竟是新瓶装旧酒，还是真正揭示了构建强大AI应用的核心秘诀？它与我们熟知的提示工程（Prompt Engineering）和检索增强生成（RAG）有何不同？

本文将深入探讨上下文工程的“是什么”、“为什么”以及“如何做”，为你揭示其在构建鲁棒、可扩展的AI应用中的关键作用。

下文详细剖析之。

什么是上下文工程？

要理解上下文工程，首先要明白什么是“上下文”。

1、上下文的真正含义

上下文不是简单的历史聊天记录。它是提供给大语言模型（LLM）用于完成下一步任务的全部信息集合。我们可以将其分为三类：

指导性上下文 (Guiding Context):告诉模型“做什么”和“怎么做”。这部分是提示工程的核心优化对象。
系统提示词 (System Prompt):定义模型的角色和行为准则。
任务描述 (Task Description):明确当前需要完成的任务。
少量样本示例 (Few-shot Examples):提供范例，指导模型输出风格。
输出格式定义 (Output Schema):规定模型必须遵循的输出格式，如JSON。
信息性上下文 (Informational Context):告诉模型“需要知道什么”。这部分为模型提供解决问题所需的事实和知识。
RAG:从外部知识库（比如：文档、数据库）中检索相关信息。
记忆 (Memory):包括当前对话的短期记忆和跨对话的长期记忆（比如：用户偏好）。
状态/草稿纸 (State / Scratchpad):记录模型在任务过程中的中间思考和计划。
行动性上下文 (Actionable Context):告诉模型“能做什么”和“做了之后的结果”。这部分赋予模型与外部世界交互的能力。
工具定义 (Tool Definition):描述模型可以使用的工具（API、函数等）。
工具调用记录 (Tool Traces):记录模型调用了哪些工具以及返回了什么结果。

2、上下文工程的定义

基于以上分类，我们可以这样定义上下文工程：

上下文工程是一门系统性学科，专注于设计、构建并维护一个动态系统。该系统能在 AI 智能体执行任务的每一步，为其智能地组装出最优的上下文组合，从而确保任务能够被可靠、高效地完成。

一个绝佳的类比是，如果 LLM 是计算机的CPU，那么上下文窗口（Context Window）就是内存（RAM）。上下文工程就是这个系统中的“内存管理器”。它的任务不是简单地把信息塞满内存，而是通过精密的调度，决定在每个时刻加载什么、丢弃什么，以保证 CPU 高效运转，最终产出正确结果。

3、与提示工程、RAG 的区别

提示词工程 (Prompt Engineering):是上下文工程的子集，专注于优化“指导性上下文”，即如何下达清晰的指令。
RAG (Retrieval-Augmented Generation):是实现上下文工程的关键技术手段之一，主要负责动态填充“信息性上下文”。

因此，上下文工程是一个更宏大、更系统的概念，它统筹管理所有类型的上下文，目标是构建一个最高效的信息供给系统。

为什么我们需要上下文工程？

当 AI 系统的表现不佳时，我们往往会怪罪于模型本身。但大多数情况下，问题出在上下文的供给上。

1、示例1：缺失上下文的代价

假设 AI 智能体收到邮件：“Hi, 明天有空聚一下吗？”

上下文贫乏的 AI：“感谢您的消息。我明天有空。请问您希望约在什么时间？” (无效回复，未推进任务)
上下文丰富的 AI：在回复前，它的上下文工程系统会自动组装信息：
信息性上下文：检索日历发现明天已满；识别发件人 Jim 是重要伙伴；分析历史邮件确定应使用非正式语气。
行动性上下文：知道自己有send_calendar_invite这个工具。
最终回复：“Hi Jim! 我明天日程完全满了。周四上午有空，你看方便吗？我发了一个暂定邀请，如果时间合适请确认。” (高效、智能)

这里的“魔力”并非来自更聪明的模型，而是来自一个能够为任务动态组装恰当上下文的系统。

2、示例2：上下文退化的挑战

既然上下文如此重要，是不是把它全部塞给模型就行了？答案是否定的。对于长期、复杂的任务（比如：编程），简单的信息累加会导致“上下文退化”：

第一、性能下降：无关紧要的旧信息会干扰当前任务，造成“上下文干扰”。

第二、成本与延迟激增：上下文越长，API 调用成本越高，响应越慢。

第三、最终崩溃：当信息量超过模型的上下文窗口上限时，系统将直接报错或因信息截断而出错。

结论：上下文是一种需要被主动管理的、有限的资源。简单的缺失或无脑的堆砌都无法构建出强大的 AI 智能体应用。因此，我们需要一套系统性的方法论——上下文工程。

如何实践上下文工程？

上下文工程的实践核心在于对上下文进行智能的写入（Write）、选取（Select）、压缩（Compress）和隔离（Isolate）。

1. 写入 (Write):将有价值的信息持久化，超越单次对话的限制。

会话内写入：将中间思考和计划写入“草稿纸”，供当前任务使用。
持久化写入：将用户偏好、关键事实等存入外部记忆系统（比如：向量数据库），实现跨会话的“学习”和“成长”。

2. 选取 (Select):在每次调用 LLM 前，从所有可用信息中，动态拉取与当前子任务最相关的信息。

确定性选取：根据预设规则加载固定上下文（比如：启动时加载项目配置文件）。
检索式选取：通过相似度搜索从知识库、记忆中拉取最相关的信息（RAG 的核心）。

3. 压缩 (Compress):在信息进入上下文窗口前，对其进行“降噪”，用更少的 Token 承载最核心的信号。

自动总结：当上下文过长时，自动总结历史对话，只保留关键部分。
专用压缩模型：使用一个专门微调过的“压缩 LLM ”来对上下文进行提炼。
修剪策略：例如，直接截断最早的历史记录。

4. 隔离 (Isolate):在系统架构层面设置信息边界，防止信息污染和干扰。

多智能体架构：这是最经典的隔离策略。让多个“专家”子智能体并行处理各自领域的信息，然后只将最关键的结论“压缩”并上报给主智能体。这极大地减轻了主智能体的认知负担，提高了信息密度，避免了长上下文带来的各种问题。
工具调用：将复杂的计算或操作隔离在沙盒环境中执行，只将最终结果返回到上下文中。