腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

综合排序丨最热优先丨最新优先

上下文工程Context Engineering

最近，又多了个新的概念，上下文工程，这是从提示工程发展而来的，因为随着LLM上下文的增长以及Agent能力的提升，写好一句prompt已经远远不够了，我们需要为AI Agent处理动态的上下文信息，处理得越好毕竟底层LLM都是大家就能接入的，而上下文工程，那就非常考验架构和工程能力了。以下是上下文工程必须要了解的知识点，欢迎查看： # Prompt 工程的局限 Prompt Engineering 是一门设计和优化提示（prompts）的技术，旨在有效利用大型语言模型（LLMs）来执行各种应用和研究任务 - 它被 Cognition 公司称为“构建 AI 代理工程师的首要任务”。Anthropic 也强调，代理在数百轮对话中需要精细的上下文管理策略。 # 工程师的工作流 Context Engineering 是一个迭代过程，它要求开发者： - 深入理解信息架构、数据策略和用户体验。 - 设计和管理提示链（prompt chains）。

2026-03-24

5310

标签:

从提示词工程到上下文工程

Anthropic公司上个月29日发布了一篇长文，关于智能体上下文工程，针对这篇文章去阅读学习了下，顺带做个总结。如下图所示提示词工程和上下文工程的对比，提示词是引导大模型去如何思考得到我们想要的信息，而上下文工程将智能体中的大模型输出的信息进行整合提炼或持久化管理，这二者不是相互替代的关系，而是相辅相成的关系。 02 — 上下文工程对智能体的重要性文中提到了上下文会“腐烂”的观点。随着上下文长度的增加，模型捕捉这些成对关系的能力会变得薄弱，这在上下文大小和注意力焦点之间产生了一种天然的张力。这些现实意味着，深思熟虑的上下文工程对于构建有能力的智能体至关重要。可以看到现在工程师在设计智能体的上下文的方式发生了一些转变。许多AI原生应用采用某种形式的基于嵌入的推理前检索，以呈现重要上下文供智能体推理。

2026-06-22

1900

标签:

上下文工程比提示词工程更重要，6种上下文管理策略

slide=id.p#slide=id.p 1、从提示词工程到上下文工程 2、“上下文工程” 体现了当下所面临的各类挑战 上下文污染（Context Poisoning）示例：Gemini在玩《宝可梦 3、Andrej Karpathy：上下文工程是一门精细的艺术与科学 +1 for "context engineering" over "prompt engineering". 而在每一个工业级的 LLM 应用中，上下文工程是填充上下文窗口以提供恰到好处的信息的艺术和科学，以便为下一步提供正确的背景信息。 4、上下文工程5大实践 1、转移上下文负担利用文件系统存储笔记（see: Drew’s post[1], Anthropic multi-agent[2]）。正如Andrej Karpathy所说：除了上下文工程本身之外，一个 LLM 应用还需要：将问题恰当地拆分成控制流把上下文窗口调整得刚刚好分配合适的 LLM 调用处理生成-验证的 UI/UX

Ai学习的老章

2025-07-27

1K0

标签:

上下文工程的精髓在于删除？

Philipp Schmid是Hugging Face的机器学习工程师。 上下文会腐败，就像食物会变质先说个基本事实：AI模型的上下文窗口会"腐败"。什么意思？就算你的模型号称能处理100万个token，实际上塞到25万个左右，性能就开始下滑了。别让所有AI共享同一个大脑多个AI代理最容易犯的错误：大家共用一套上下文。结果就是信息混乱，每个代理都被无关信息干扰。具体做法：简单任务（比如"搜索文档中的某个词"）：给代理单独的上下文，只告诉它要干什么复杂任务（比如调试，需要看历史错误）：才共享完整上下文 3. 先把工程做好。设置预警线：别等到真正卡死才优化，提前监控token使用量。用简单指标验证效果：代码能跑吗？文件创建成功了吗？别搞复杂的评分系统。删除的艺术 Manus团队最大的收获是学会了删除。

2026-06-23

730

标签:

从上下文工程到驾驭工程

缰绳（架构约束）引导它走正确的路，马车（上下文工程）提供舒适的承载空间，车上的镜子（反馈循环）随时照出它的状态，而车夫（熵管理）则负责清理它奔跑时留下的杂乱痕迹。再之后，知名工程师 Martin Fowler 在 Twitter 上为 Thoughtworks 工程师对这份报告的深度分析站台。 Harness 到底在做什么根据 OpenAI 官方报告的描述，Harness 由三个核心类别组成：第一层：Context Engineering（上下文工程）。不仅仅是给 Agent 一份文档，而是持续增强的知识库，加上动态上下文——比如可观测性数据、浏览器导航状态。 OpenAI 团队发现，传统的「一个巨大的 AGENTS.md 文件」方法注定失败：上下文是稀缺资源，过多的指导反而变得无效，那本「1000 页的说明书」会变成「陈旧规则的坟场」。

2026-03-25

14.1K1

标签:

谈谈上下文工程（Context Engineering）

大模型发展这两年，应用型 AI 的焦点一直在 “提示工程”（prompt engineering），但随着更强大的大语言模型（LLM）走向多轮、长时间的自主行动，一个更关键的概念开始走到台前：上下文工程什么是上下文工程 上下文，是在一次 LLM 推断过程中被纳入采样的全部 token 集合，上下文工程的核心任务，是在模型固有约束下，优化这些 token 的效用，以更稳定地获得预期结果。 上下文工程 vs 提示工程提示工程：编写和组织模型指令以获得最佳输出，通常聚焦系统提示如何写得清晰、有效。 “上下文工程” 的艺术就在于：在有限的上下文窗口中，选取最有价值的子集。 3. 为什么 “上下文工程“ 对强代理至关重要？这些问题需要用更好的处理方法：把上下文视为稀缺资源，并以工程化方式加以管理，是构建强大代理的基础。 4. 什么是有效上下文？

2025-11-13

1.2K0

标签:

上下文工程的崛起：提示工程已是过去式

这正是上下文工程的核心。大多数情况下，当一个智能体表现不可靠时，其根本原因并非模型本身的能力不足，而在于我们未能向其传递完成任务所需的上下文、指令和工具。因此，上下文工程正迅速成为 AI 工程师所能掌握的最关键技能。在前面文章里也多次提过上下文工程的内容，但缺少系统化理论化的定义。近日，Langchain创始人也撰文《The rise of "context engineering"》探讨了这一问题，借此机会让我们更深入了解“上下文工程”。什么是上下文工程？ 上下文工程与提示词工程的区别为何行业焦点正从“提示词工程”转向“上下文工程”？早期，开发者更专注于通过巧妙的措辞来“诱导”模型给出更好的答案。但随着应用复杂度的提升，一个共识逐渐形成：向 AI 提供完整、结构化的上下文，其重要性远超任何“魔法般”的措辞。我们可以认为，提示词工程是上下文工程的一个子集。

2026-06-23

1240

标签:

提示词工程、RAG之后，LangChain：上下文工程开始火了！

至于重要性，下面这张图很好地概括了上下文工程与提示词工程、RAG 等的关系。在传统的提示工程中，开发者通常侧重于精心设计提示语，以期得到更好的答案。如今，提供完整且结构化的上下文信息比任何巧妙的提示词更为重要。 上下文工程就是为此诞生的。 上下文工程是构建动态系统，以正确的格式提供合适的信息和工具，从而使得 LLM 能够合理地完成任务。因此，上下文工程正在成为 AI 工程师可以发展的最重要技能。什么是上下文工程？ 上下文工程是指构建动态系统，以合适的格式提供准确的信息和工具，使 LLM 能够合理完成任务。 上下文工程是一个系统。 上下文工程与提示工程有何不同？为什么要从提示工程到上下文工程转变？早期，开发者专注于巧妙地给出提示以引导模型给出更好的答案。但随着应用变得更加复杂，现在越来越明显的是，提供完整且结构化的上下文比任何巧妙的措辞更为重要。我们可以将提示工程视为上下文工程的一个子集。即使你拥有所有的上下文，如何在提示中组装它仍然至关重要。

2025-06-26

8610

标签:

图解AI：什么是上下文工程？

今天聊一个被低估、却把无数人卡住的概念——Context Engineering，中文通常译作“上下文工程”或“语境工程”。它不是什么新出的框架，而是一套为AI系统搭好“前置信息环境”的方法论。 上下文工程干的就是把这一段“前置检索+加工+整合”做成系统性、可配置、可观测的流水线。这就是上下文工程的兴起。一套成熟的上下文工程系统通常包含四个可观测的模块。 1. 动态信息流信息不再是一次性塞进 Prompt，而是按场景、按角色按需组装。 上下文工程让这三部分的边界清晰，谁负责组装数据、谁负责生成文本、谁负责安全兜底，一目了然。也因此，它能复用、能版本化、能AB Test，真正进入了工程化范畴。面向2025之后的系统架构，上下文工程极可能成为一条独立赛道。

架构师部落

2026-06-22

1710

标签:

上下文AI与搜索平台集成以扩展精准上下文工程

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。 Contextual AI平台由检索增强生成（RAG）的先驱创立，提供了一个全面的上下文工程平台，用于快速构建开箱即用、具有卓越准确性的AI代理。随着代理和AI系统变得越来越复杂，上下文工程确保它们能够在正确的时间访问并推理正确的信息。通过将某中心的混合搜索和向量数据库与Contextual AI的上下文工程平台相结合，开发者获得了一个功能丰富的统一体验，可以在准确的企业上下文中落地他们的代理，而无需增加复杂性。这一联合解决方案使开发者能够：实现前所未有的准确性：通过使用Contextual AI的上下文工程平台和某中心的混合搜索，代理可以检索并推理最复杂的企业数据，包括财务报告、法律文件和工程规范。

2025-12-20

2520

标签:

向量数据库