AI新技能：上下文工程 (Context Engineering)
一份动态交互式摘要，提炼自多篇关于AI新趋势的文章
核心观点：构建强大AI智能体 (Agent) 的关键，已从 "提示工程" 转向 "上下文工程"。AI的成败更多地取决于我们为其提供的 上下文质量，而非模型本身。
什么是"上下文工程"？
定义："上下文工程"是一门学科，旨在设计和构建动态系统，在正确的时间、以正确的格式，为大语言模型(LLM)提供完成任务所需的所有正确信息和工具。
"这是为任务提供所有上下文，使其能够被LLM合理解决的艺术。"
— Tobi Lutke (Shopify CEO)它强调的是一个动态系统，而不是一个静态的文本字符串。大多数智能体的失败，已不再是模型失败，而是 上下文失败。
"上下文"到底包含什么？(点击展开)
指令 / 系统提示 (Instructions / System Prompt)
为模型设定行为基调的初始指令，可以包含规则、角色扮演、示例等。
用户提示 (User Prompt)
用户当前提出的具体任务或问题。
状态 / 历史 (短期记忆)
当前对话的完整记录，包括用户和模型的所有交互。
长期记忆 (Long-Term Memory)
跨越多次对话的持久化知识库，如用户偏好、项目摘要等。
检索的信息 (RAG)
从外部文档、数据库或API中实时检索的相关、最新信息。
可用工具 (Available Tools)
模型可以调用的所有函数或内置工具的定义，如 check_inventory、send_email。
结构化输出 (Structured Output)
对模型响应格式的要求，例如强制输出为JSON对象。
为什么它至关重要：从"廉价演示"到"神奇产品"
想象一个AI助理被要求安排会议，它收到的邮件是："Hi，明天有空快速同步一下吗？"
廉价演示 (Cheap Demo)
上下文：只有用户请求本身。
结果：机器人式的无用回复。
"感谢您的消息。我明天有空。请问您想约在什么时间？"
神奇产品 (Magical Product)
上下文：用户请求 + 你的日历 + 过往邮件 + 联系人信息 + 发送邀请的工具。
结果：智能、主动、人性化的回复。
"嘿 Jim！我明天日程排满了，一整天都背靠背。周四上午有空，你看行吗？我已经发了个邀请，你看看合不合适。"
✨ 魔法不在于模型更聪明，而在于提供了完成任务所需的 正确上下文。 ✨
关键特性：系统而非字符串
- 是一个系统，而非字符串：上下文是主LLM调用前运行的一个系统的输出，而非一个静态模板。
- 动态生成：根据即时任务量身定制。这次请求可能需要日历数据，下次可能需要邮件内容或网络搜索结果。
- 正确的信息与工具：核心任务是确保模型不缺失关键细节（"垃圾进，垃圾出"），在需要时提供知识（信息）和能力（工具）。
- 格式至关重要：如何呈现信息很重要。简洁的摘要优于原始数据转储，清晰的工具定义优于模糊的指令。
实践策略：如何进行上下文工程 (点击展开)
1. 压缩上下文 (Compress)
在每次交互中只保留价值最高的信息，以避免上下文窗口超限和性能下降。
- 上下文摘要：对长对话或冗长的工具调用结果进行总结。例如，Claude Code在上下文超过95%时会自动压缩。
- 在工具边界压缩：对返回大量信息的工具（如搜索API）的输出进行即时摘要，从源头控制上下文增长。
2. 持久化上下文 (Persist)
构建系统来存储、保存和检索跨时间的上下文，即"记忆"。
- 存储上下文：使用文件（如
CLAUDE.md）、向量数据库或知识图谱来存储用户偏好、事实和关系。 - 保存上下文：让智能体根据用户交互或反馈自主创建和更新记忆，实现自我学习和改进。
- 检索上下文：根据需要从记忆库中智能地提取相关信息，而不是将所有记忆都塞入上下文窗口。
3. 隔离上下文 (Isolate)
通过分区策略来管理复杂的上下文，提高效率和可控性。
- 上下文模式 (Schema)：使用结构化状态（如Pydantic模型）而不是简单的消息列表来管理运行时状态，从而精确控制每一轮传递给LLM的内容。
- 多智能体 (Multi-agent)：将复杂任务分解，让多个子智能体在各自隔离的上下文中并行工作，处理不同子任务。这在可并行化的任务中效果显著。
- 环境隔离：使用代码执行沙箱等环境，让智能体在其中生成和使用变量（如图像、文件），但只将必要的引用或结果传回LLM的上下文窗口。
重要观点集锦
人们通常将"提示"与日常使用的简短任务描述联系在一起。但在每个工业级LLM应用中，"上下文工程"是在每一步都用恰到好处的信息填充上下文窗口的精妙艺术和科学。
— Andrej Karpathy (前特斯拉AI总监，OpenAI创始成员)"拥有你的上下文窗口"（Own your context window）是关键原则。这意味着你需要灵活地尝试各种方式（标准消息格式、自定义XML/YAML格式等）来构建上下文，以实现最高的信息密度和Token效率。
— 12-Factor Agents 指导原则LLM就像一个新的操作系统，上下文窗口就是它的RAM（工作内存）。"上下文工程"就是管理这块"RAM"的艺术和科学，决定放入哪些信息来完成任务。
— Lance Martin (LangChain)