当前位置：首页 > news >正文

Context Engineering（上下文工程）

news 2026/6/2 18:03:58

如果说 Prompt Engineering 是教模型如何“说”，那 Context Engineering 就是为它构建一个“大脑”——一个在推理时动态、精准地提供所有必要信息的完整系统。

🔑 核心范式跃迁：从 Prompt Engineering 到 Context Engineering

传统的 Prompt Engineering 关注的是如何设计静态的、完美的指令。而Context Engineering (上下文工程)则是在运行时，为 AI 模型系统性地设计、组织并优化其所“看到”的全部信息，以达成特定任务。它的理念从“精心提问”转向“系统赋能”，责任主体也从用户转向了系统。

🤖 从零构建：一个场景看尽上下文工程

为了更好地理解，让我们从一个旅行规划场景，看上下文工程如何贯穿始终。

构建前 (纯Prompt): 你向模型提问："帮我规划一次去杭州的三日游。"
潜在问题: 模型可能会给出一个通用但不够个性化的行程。

构建后 (应用上下文工程): 系统会在模型推理前，动态构建一个包含丰富信息的上下文：
记忆注入: 从数据库中检索到用户的偏好（喜欢文化古迹和特色小吃）。
动态查询重构: 将"帮我规划一次去杭州的三日游"扩展为更精确的查询意图，例如："为用户（偏好文化古迹和美食）规划杭州三日游，包含景点、美食推荐和交通建议"。
选择性检索: 从知识库中检索杭州相关的最新、最相关的旅游信息（如景点开放时间、热门小吃店）。
上下文压缩: 将检索到的冗长文档，提炼成关键信息摘要。
层次化布局: 将信息分层组织，例如：[系统指令: 你是专业导游] → [用户偏好] → [旅游信息: 景点列表] → [旅游信息: 美食列表]。
工具感知: 告知模型可以调用哪些外部工具，如天气查询API、酒店预订API。

⚙️ 六大核心技术支柱

以上场景的实现，依赖于以下六大核心技术支柱：

选择性检索 (Selective Retrieval)：优化检索策略（如混合检索、重排序），只获取高相关且无冗余的信息。
上下文压缩 (Context Compression)：对检索到的长文档进行摘要或压缩，保留关键信息。
层次化布局 (Hierarchical Layout)：将信息进行结构化组织，引导模型注意力。
动态查询重构 (Dynamic Query Rewriting)：改进模糊的用户查询，提高检索命中率。
记忆注入 (Memory Injection)：整合用户的历史行为和偏好，提供跨会话的连贯体验。
工具感知 (Tool Awareness)：提供可调用的外部工具定义，使模型能执行具体操作。

🛠️ 核心组件与实现技术

要实现这些技术，通常会用到以下核心组件和技术：

核心组件	关键技术	作用描述
上下文检索与生成	RAG (高级RAG，Agentic RAG)	从外部知识库或通过模型自身生成相关信息。
上下文处理	长序列处理，自我优化	处理长文本，改进或优化生成的上下文内容。
上下文管理	记忆系统 (Memory Systems)	管理短期（会话内）和长期（跨会话）信息，保持上下文一致。
系统实现架构	多智能体系统	协调多个智能体协同工作。

🧰 主流框架与工具

框架/工具	核心功能	主要应用场景
LangChain	提供了用于构建上下文工程的模块化组件，如`ContextManager`和`IndexManager`。	通用 Agent 开发，上下文建模与检索。
Architext	将上下文构建过程从零散的“手工”提升为系统的“工程”。	构建结构化、动态且可优化的上下文。
ACE (Agentic Context Engineering)	实现自优化上下文。	构建具备持续学习和自我进化能力的 Agent。
PAACE (Plan-Aware Automated Context Engineering)	通过任务规划优化上下文状态。	需要复杂任务规划的 Agent 系统。
Tokalator	VS Code 扩展，提供上下文预算监控和11个斜杠命令。	AI 编程助手开发。
Deepset	专注于构建企业级 RAG 系统。	企业级 RAG 应用。