当前位置：首页 > news >正文

上下文工程进阶指南：如何实现持续交互的情境理解

news 2026/4/8 19:30:27

上下文工程进阶指南：如何实现持续交互的情境理解

【免费下载链接】hello-agents📚 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents

在智能体开发领域，上下文工程正成为构建稳定、高效AI系统的关键技术。这项技术专注于“如何在每次模型调用前，以可复用、可度量、可演进的方式组装和优化输入上下文”，从而提升智能体的正确性、鲁棒性和效率。本文将深入探讨上下文工程的核心概念、实现方法，并通过Hello-Agents框架的实践案例，展示如何构建持续交互的智能体系统。

什么是上下文工程？ 🤔

上下文工程是提示工程的进化版本，它关注的不再仅仅是单轮对话中的指令优化，而是整个交互过程中的信息管理策略。简单来说，上下文工程就是“用恰到好处的信息填充上下文窗口，帮助智能体执行下一步的精妙艺术与科学”。

传统提示工程关注如何编写有效的系统提示，而上下文工程则扩展到了整个上下文状态的管理，包括系统指令、工具调用、外部数据、消息历史等多源信息的动态整合。

为什么上下文工程如此重要？ 🎯

随着模型能力的提升，智能体需要在更长的时间跨度上工作，涉及多轮推理和复杂任务执行。然而，大语言模型存在“上下文衰减”现象——随着上下文窗口中的令牌数量增加，模型准确回忆信息的能力实际上会下降。

这种稀缺性不是偶然的，而是源于LLM的架构限制。Transformers允许每个令牌与上下文中的所有令牌建立关联，理论上形成n²的成对注意力关系。随着上下文长度的增长，模型对这些成对关系的建模能力被“稀释”，自然在“上下文规模”和“注意力集中度”之间形成张力。

因此，有意识的上下文工程成为构建稳健智能体的必要条件。优秀上下文工程的目标是：用尽可能少但高信号密度的令牌，最大化获得预期结果的概率。

Hello-Agents中的上下文工程实践 🛠️

在Hello-Agents框架中，上下文工程通过ContextBuilder组件实现，它采用GSSC（收集-选择-结构化-压缩）流水线，提供了统一的信息管理接口。

ContextBuilder：智能上下文管理核心

ContextBuilder的设计理念是“简单高效”，去除了不必要的复杂性，基于“相关性+时效性”评分进行统一选择，符合Agent模块化和可维护性的工程导向。

核心数据结构：

ContextPacket：候选信息包，包含内容、时间戳、令牌数、相关性分数等属性
ContextConfig：配置管理类，封装所有可配置参数

GSSC流水线详细解析：

收集阶段：从多个来源收集候选信息，包括系统指令、记忆系统、RAG系统和对话历史
选择阶段：基于相关性和时效性评分，智能选择最有价值的信息
结构化阶段：将选择的信息组织成结构化模板
压缩阶段：对超限上下文进行回退压缩

代码示例：ContextBuilder基础使用

from hello_agents.context import ContextBuilder, ContextConfig from hello_agents.tools import MemoryTool, RAGTool # 初始化工具 memory_tool = MemoryTool(user_id="user123") rag_tool = RAGTool(knowledge_base_path="./knowledge_base") # 创建ContextBuilder config = ContextConfig( max_tokens=3000, reserve_ratio=0.2, min_relevance=0.2, enable_compression=True ) builder = ContextBuilder( memory_tool=memory_tool, rag_tool=rag_tool, config=config ) # 构建上下文 context = builder.build( user_query="如何优化Pandas内存使用？", conversation_history=conversation_history, system_instructions="您是高级Python数据工程顾问。您的回答需要：1) 提供具体可操作的建议 2) 解释技术原理 3) 提供代码示例" )

NoteTool：结构化外部记忆

NoteTool是为“长周期任务”提供的结构化外部记忆组件。它使用Markdown文件作为载体，头部使用YAML front matter记录关键信息，正文记录状态、结论、阻塞点和行动项。

NoteTool的典型应用场景：

长期项目追踪：记录阶段性任务状态和进展
研究任务管理：记录论文核心观点和待深入调查的主题
与ContextBuilder协同：在每次对话前检索相关笔记并注入上下文

NoteTool与ContextBuilder的深度集成：

class ProjectAssistant(SimpleAgent): """长期项目助手，集成NoteTool和ContextBuilder""" def __init__(self, name: str, project_name: str, **kwargs): super().__init__(name=name, llm=HelloAgentsLLM(), **kwargs) self.project_name = project_name self.note_tool = NoteTool(workspace=f"./{project_name}_notes") self.context_builder = ContextBuilder( memory_tool=self.memory_tool, rag_tool=self.rag_tool, config=ContextConfig(max_tokens=4000) ) def run(self, user_input: str, note_as_action: bool = False) -> str: # 1. 从NoteTool检索相关笔记 relevant_notes = self._retrieve_relevant_notes(user_input) # 2. 将笔记转换为ContextPacket note_packets = self._notes_to_packets(relevant_notes) # 3. 构建优化后的上下文 context = self.context_builder.build( user_query=user_input, conversation_history=self.conversation_history, system_instructions=self._build_system_instructions(), custom_packets=note_packets ) # 4. 调用LLM response = self.llm.invoke(context) # 5. 如果需要，将交互记录为笔记 if note_as_action: self._save_as_note(user_input, response) return response