企业官网建设流程全解析

上下文工程是面向开发者的大模型应用设计方法，超越简单提示词，强调动态构建系统化上下文。它结合科学方法论（信息组织、token控制）与艺术直觉（模型交互经验），通过写入、筛选、压缩、隔离四大策略优化AI输入。这一技术已成为AI Agent成功的关键，解决上下文中毒、分心、混淆、冲突等病理问题，是构建高效大模型应用的核心技能。

继 Vibe Coding 火了之后，Andrej Karpathy 又带火了一个词——Context Engineering。

Context Engineering 翻译成中文就是：「上下文工程」**。**Karpathy 大神更是毫不吝啬地表示：

「上下文工程」是一门精心设计填充上下文窗口的艺术与科学。

Andrej Karpathy 作为 AI 领域的标志性人物，他一直都很善于用贴近开发者直觉的语言，去定义一些复杂技术的核心变化趋势，比如 “Software 2.0”、 “Software 3.0”、“Vibe Coding”，还有最近提出的新概念“Bacterial Programming”（细菌编程），基本上是提一个火一个。

Karpathy 对此回复说：

“哈哈我不是在发明新词，只是觉得人们对‘prompt’的理解太过简单化，低估了其复杂性。”

没错，「上下文工程」并不是一个新概念，而是随着 2025 年 AI Agent 的爆火，业内逐渐形成的一种共识。

前段时间我们发了一篇「多智能体构建」的文章，里面也谈到了上下文工程的重要性。

按照我的理解，它目前还是一个“时髦”但“定义模糊”的词。

如果你要想搞明白「上下文工程」，一定绕不开「提示词工程」。这张图足以代表当下两者的变化趋势。

“Prompt”这个词，大家一听，就能到联想到随便让 ChatGPT 干点事，比如“解释一下什么是量子力学”这种简单的提示，再复杂一点的 prompt，加入任务说明、给几个示例、定义输出规则，核心是尽可能清晰地表达你的需求。

但如果你是要开发一个应用，那就不是一句 prompt 的事了，而是需要精心地去构建上下文（context）**，**这样大模型才能完成复杂、定制化的任务。

简单一句话，你可以这么理解：

“提示工程”是面向用户的，而“上下文工程”是面向开发者的。

可能会有人针锋相对，不就是换了个名字，不，名字非常重要。因为语言塑造思想。

包括 Shopify 的 CEO Tobi Lütke 也站在“正名”的一方，认为“上下文工程”胜过“提示工程”，应该为任务提供所有的背景信息。

为什么 Andrej Karpathy 说上下文工程(Context Engineering)是一门精妙的艺术与科学？

先来说说为什么是“科学”的？

最近谷歌长上下文预训练联合负责人 Nikolay Savinov 接受了一期博客的采访，谈到了智能体（Agent）与上下文（Context）之间深层的共生关系。我觉得放在这里理解非常合适。

他提到 Agent 扮演着“双重角色”：

• 一方面，它是上下文的消费者。想象一个 Agent 正在完成“规划五天东京旅行”这样的复杂任务，它必须持续记住诸如“机票已订”“正在比价酒店”“还需补全行程”等状态信息。如果没有长上下文的支持，它每问一句就失忆一次，根本无法形成连贯的任务流。而上下文正是它必备的“记忆硬盘”。
• 另一方面，它又是上下文的创造者。现实中，用户并不会把所有背景信息都手动打包好喂给 Agent ——预算、时间偏好、过往搜索记录、地理偏好等等。这时候，Agent 的“工具使用能力”就显得尤为关键。它会主动调用搜索、日历、航旅 API 等工具，获取原始信息，并通过过滤、提炼、结构化处理，把这些原材料动态拼装成一份高质量的上下文，反哺给大模型使用。

所以，Agent 依赖上下文“活着”，又通过工具主动构建上下文，反过来让模型更“聪明”。这，正是「上下文工程」成为一门科学的根本原因。

不是简单的 prompt 写作或拼数据，而是关于如何动态感知任务需求、组织信息结构、控制 token 编排、平衡输入输出的一整套方法论。

用更接地气的方式，给上下文工程下一个定义：

它是一门设计和构建动态系统的学问，其唯一目标是：在正确的时间、以正确的格式，向大模型精准“投喂”完成任务所需的一切信息和工具。

Karpathy 总结上下文设计要包含：

• 任务说明（task instructions）
• 示例（few-shot examples）
• 检索补充内容（RAG）
• 多模态信息
• 外部工具/函数
• 当前状态与历史上下文
• 上下文压缩与优化（compacting）

考虑太少，模型不理解任务；放太多或不相关，成本升高、性能下降。这是一门科学的技术活。

Google DeepMind 的高级 AI 关系工程师 Philipp Schmid 在他最新的一篇博客里也把上下文工程拆成多个组成模块，包括：

• 系统提示 / 系统指令：定义行为、规则、例子
• 用户提示：当前问题或任务
• 短期记忆 / 对话历史：当前会话内容
• 长期记忆：跨 session 的用户偏好、项目信息
• 检索信息（RAG）：动态抓取文档、数据库或 API 的内容
• 可用工具：如 search、send_email 等函数定义
• 结构化输出：规定格式，如 JSON、表格

而且归纳出核心具备四大特征：

1. 它是一个动态系统，而非静态字符串。上下文不是一个写死的“模板”，而是在调用 LLM 前，由 Agent 根据实时需求动态拼装的结果。它是有生命力的。
2. 它按需生成，而非一成不变。这个请求，上下文可能是你的日程表；下一个请求，可能就需要最新的网页搜索结果或一封关键邮件。它是“千人千面、千时千面”的。
3. 它精准投喂信息与工具，而非信息轰炸。核心是“刚刚好”，避免“垃圾进、垃圾出”。只提供任务真正需要的信息和能力，多一分都是干扰。
4. 它极度重视格式，而非“生肉”数据。与其粗暴地丢给模型一堆原始日志，不如给它一段提炼后的摘要；一个结构清晰的工具调用指令，远胜过一段模糊的自然语言描述

但是，在实际 LLM 应用/Agent 开发过程中，不仅仅是“精心构建上下文”，还要处理很多工程问题，比如：

• 拆解任务逻辑（problem decomposition）
• 控制调用流程（control flow）
• 匹配不同模型能力（模型调度）
• 处理用户交互（UI/UX）
• 构建验证环节、加安全、评估效果
• 实现并行化、预提取（prefetching）等性能优化……

整套体系，已经是一个复杂且厚重的软件系统。上下文工程只是其中一部分，也是决定 Agent 成败的核心之一。

上下文工程不仅是一门科学，为什么也是一门艺术？

因为即使你知道要“选信息”“做结构”“控长度”这些原则，但真正开发的时候，有太多不可明说、不可公式化的判断和拿捏。

比如，你不知道 LLM 是怎么“看待”你的 prompt 的，它没有固定语法或接口文档。你已经觉得两个版本的输入语句意思差不多，但最后模型表现可能天差地别。

所以你需要靠经验和“与模型打交道的直觉”来反复尝试、调整措辞、摆放顺序，就像调教一个怪脾气的 partner。

我觉得这就是“prompt sense”。为什么有的人用 AI 提效 10 倍，有的人感觉没用，区别就在这儿。

所以，以后再如果遇到一个特别牛的产品，再说又是一个 ChatGPT 套壳应用，甚至有点侮辱人了。

那么，我们该如何上手“上下文工程”？

AI 开发框架 LangChain 发布了一篇博客总结了四大核心落地策略：

第一招：写入 (Write) —— 给 AI 一个“草稿本”和“长期记忆”

AI 也需要“打草稿”和“记日记”。

在处理复杂任务时，让 AI 将中间步骤的思考记录到临时的“草稿本”（Scratchpads），或将关键结论存入跨会话的“长期记忆”（Memory）模块。这样既能保持主对话窗口清爽，又能让 AI 拥有持续学习和反思的能力。

第二招：筛选 (Select)

多，不如准。

当 AI 面对任务时，启动一个智能“调度员”，从庞大的知识库（文档、工具、记忆）中，通过 RAG 等技术，精准筛选出当下最相关的信息“投喂”给模型。这避免了信息过载，让模型能聚焦于核心问题。

第三招：压缩 (Compress)

上下文记忆有限，寸土寸金。

当对话历史或检索文档过长时，必须学会“断舍离”。通过摘要或修剪等策略，智能地为上下文“瘦身”，在不丢失关键信息的前提下，把最精华的内容留在宝贵的上下文窗口内。

第四招：隔离 (Isolate)

分而治之，化繁为简。这是多智能体（Multi-agent）系统的精髓。与其让一个“通才”Agent 应对所有复杂性，不如将大任务拆解，派发给多个拥有独立、优化上下文的“专才”Agent，各司其职，最后汇总成果，实现 1+1>2 的效果。

LangChain 的开发者德鲁·布鲁尼格（Drew Breunig）提出了一个极其重要的观点：

大多数智能体的失败，不再是模型本身的失败，而是我们喂给它的“上下文”出了问题。

他将这些问题归类为四种经典的“病理学”：

病症一：上下文中毒

• 症状：AI 调用工具时，带回了错误信息或纯粹的“幻觉”（比如一个不存在的网址或错误的数据），这些“毒素”污染了整个上下文，导致后续推理全盘皆错。
• 解决方案：
  （1）隔离：在“沙盒”环境中运行不稳定的工具，像在隔离病房做实验一样，只将经过验证的、无毒的结果传回主系统。
  （2）筛选：在检索信息后，增加一道“质检”程序，过滤或重排那些低质量、可疑的信息源。
  （3）写入：在“草稿本”上记录工具调用的来源和可信度，方便随时溯源、排查“毒源”。

病症二：上下文分心

• 症状：一股脑塞给 AI 太多信息，哪怕这些信息都是相关的。海量的上下文淹没了最核心的指令，就像一个学生面前堆了太多参考书，反而找不到最重要的那本教科书，导致 AI“抓不住重点”。
• 解决方案：

• （1）隔离：采用“多智能体”策略，让每个 Agent 只专注于自己的一亩三分地，确保它看到的都是最相关的狭窄信息。
• （2）压缩：定期为上下文“瘦身”，通过摘要和修剪，大幅减少上下文长度，让核心指令始终“浮在水面”。
• （3）筛选：只为当前子任务选择最关键的知识和工具，避免一股脑地信息轰炸。

病症三：上下文混淆

• 症状：给 AI 的信息格式混乱、缺乏条理。比如，直接丢给它一堆杂乱无章的日志，导致 AI 以意想不到的、错误的方式去解读，最终输出“牛头不对马嘴”的结果。

• 解决方案：
  （1）压缩：利用 LLM 的摘要能力，先将非结构化的“生肉”数据，提炼成格式清晰、简洁明了的“熟食”，再喂给模型。
  （2）写入：在设计“草稿本”或记忆模块时，就将不同类型的信息（如历史记录、工具输出）存入不同的字段，从源头上保证结构清晰。
  （3）筛选：确保检索出的信息格式统一，并附上“说明书”（元数据）来解释其含义。

病症四：上下文冲突

• 症状：上下文的不同部分包含了相互矛盾的信息。比如，一份文档说“A 是正确的”，另一份文档说“B 是正确的”，AI 在没有明确指导的情况下，被迫“站队”，很容易导致决策错误。
• 解决方案：
  （1）筛选：在信息送入 LLM 之前，先设立一个“冲突仲裁层”，提前处理掉那些相互矛盾的信息。
  （2）隔离：将处理不同（且可能冲突的）信息源的任务，分配给不同的“辩论员”Agent，最后由一个“法官”Agent 来裁决。
  （3）写入：在“长期记忆”中不仅存储决策结果，更要存储做出该决策的理由，以便在未来遇到类似冲突时有据可依。

更有意思的是，在 Shopify，自发地使用 AI、“为 AI 加载上下文”的能力，正在成为员工的基本预期，甚至被纳入了绩效评估。

现在，任何团队在申请增加人力之前，都必须首先向公司证明：为什么这个任务，不能通过一个拥有“良好工程化上下文”的 AI 智能体来完成？

你认为“上下文工程”是下一个风口，还是被夸大的概念？期待在评论区看到你的洞见 ～

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】