企业官网建设流程全解析

本文深入探讨了 Agent 应用中的核心问题——上下文工程。随着上下文窗口的扩大，模型表现并未相应提升，反而出现了“上下文腐烂”现象。文章详细解释了上下文工程的重要性，以及如何通过“读、写、压、外”四个核心动作优化上下文管理，提升 Agent 的稳定性和效率。同时，文章还介绍了工业界的实践方法，如自动压缩、记忆文件、子 Agent 隔离和渐进式披露等，为读者提供了实用的落地建议。掌握上下文工程，是提升 Agent 能力的关键。

模型决定 Agent 有多聪明，Harness 决定它有多稳，上下文决定它能走多远。

01｜接着上篇说

上一篇我们说：当同代模型的能力收敛之后，拼的不再是模型，而是 Harness——包在模型外面的那一层运行时：工具编排、状态管理、错误恢复、上下文调度。

但如果你真的动手做过 Agent，会发现 Harness 还不是终点。

在 Harness 的每一行代码里，都藏着一个更基础的东西：上下文（context）。

2025 年，这个词经 Andrej Karpathy 放大后迅速流行：context engineering（上下文工程）——大模型应用的核心问题，已经从“怎么写提示词”，变成了“如何在正确的时间，以正确的形式，把正确的信息放进上下文窗口”。

这篇文章只讲一件事：

上下文工程是什么、为什么它成了 Agent 竞争的分水岭、具体能做什么。

02｜为什么上下文成了瓶颈

先说一个反直觉的事实：

上下文变长了，长程能力却没有跟着变长。

上下文窗口已经从 8k 卷到 128k，1M 也早已可用。

但实测里有个反复被验证的现象：上下文里塞的信息越多，模型在任务上的表现越差。

这个现象叫 context rot（上下文腐烂）。

▲ 上下文越长，模型表现往往越差；名义窗口不等于有效上下文。

还有一个更经典的问题——lost in the middle：放在长上下文中间的信息，被模型引用的概率最低。

原因并不神秘：注意力不是无限精准的。

上下文越长，关键信息被“稀释”得越厉害。

名义窗口是硬约束，但“有效上下文”——模型真正用得上的信息量——远小于窗口本身。

对 Agent 来说，这个约束格外致命，因为：

Agent 的工作记忆就是上下文。

• 任务的全部状态都在里面：用户要什么、做到哪一步、中间结论是什么
• 工具调用记录不断往里堆：文件内容、接口返回、报错日志
• 任务越长，上下文越涨，离原始目标越远

一个二十步的任务，哪怕模型足够强，一旦上下文被无关的中间噪声填满，它也会“忘记”目标、开始重复自己、或者被某一条报错带偏。

顺带一提，上下文还是成本：

每个 token 都是钱，也都是推理时延。

上下文工程，本质上是在同时解决效果和成本两个问题。

03｜什么是上下文工程

先把它和 prompt 工程区分开。

Prompt 工程解决的是“指令这一部分怎么写”。

但生产环境里 Agent 的上下文远不止指令，至少有五类东西：

• 系统指令：人设、规范、红线
• 工具定义：名字、参数、描述
• 任务历史：用户消息、助手回复、工具调用记录
• 检索材料：文件内容、搜索结果、RAG 切片
• 记忆：长期偏好、项目约定、踩过的坑

Prompt 工程只覆盖第 1 类。

上下文工程覆盖的是整个系统：每一类放多少、从哪来、怎么压、什么时候丢。

▲ Prompt 工程只是上下文工程的子集。

一个可操作的定义：

上下文工程 = 围绕上下文窗口做好四件事——读、写、压、外。

• 读：按需获取。能不预载就不预载，让 Agent 需要时再取，且只取最小必要。
• 写：结构化注入。指令短、工具描述准、材料给引用不放全文。
• 压：定期压缩。上下文到水位线，就把旧内容摘要成几行关键事实，腾出空间、保住状态。
• 外：长期信息外置。反复要用的东西不进上下文，放进文件或数据库，用时再读。

▲ 上下文工程的四个核心动作。

这四件事，单拎出来都不新。

有意思的是，过去一年工业界的实现，正在不约而同地收敛到同一套答案。

04｜工业界怎么做

1. Compaction：自动压缩

Claude Code 和 OpenAI Codex 都有类似机制：上下文快满时，自动把前面的轮次压缩成一份“状态快照”——任务目标、已完成步骤、关键发现、下一步。

用户几乎无感，但这是 Agent 能“加班”而不“迷路”的关键。

2. 记忆文件：Agent 的 README

你大概见过AGENTS.md、CLAUDE.md。

它们的本质是外置：把项目级的长期知识写进文件，Agent 在任务开始时按需读取。

代码结构、测试约定、踩坑记录，不塞进每次提示词，但永远可用。

更进一步：当 Agent 被允许往这些文件里写东西，记忆就成了闭环——这次任务学到的教训写进文件，下次任务自动受益。

3. 子 Agent 隔离

Anthropic 的多 Agent 研究系统、Claude Code 的 subagent 都是同一思路：

别让主上下文脏掉。

主 Agent 负责规划和决策，具体子任务（搜索、读文件、交叉验证）交给临时子 Agent——每个子 Agent 有一块全新的干净上下文，干完活只回传一份摘要。

▲ 脏活交给子 Agent，主上下文只保留关键状态。

像组织里的外包：CEO 不需要读每一份原始报告，只需要结论。

代价是多花推理成本，收益是主上下文的干净。

4. 渐进式披露：RAG 的角色重定义

MCP 协议推的是同一件事：接入时只给目录，需要时再取详情，别把所有工具说明和资源内容一次性塞进上下文。

RAG 也在这里悄悄完成了角色转换：

从“检索完就塞进去”，变成“上下文供应链”。

检索不再是主角，它负责在正确的时间把正确的材料送到窗口里。

05｜落地清单

如果你正在做 Agent，按优先级给六条建议：

• 定预算。先明确每个任务的 token 预算：系统指令、工具、历史、材料各占多少。不知道自己在消耗多少上下文，就没法做工程。
• 默认不注入。预载是敌人。能按需取就不预载，能摘要就不放原文。
• 定期压缩，保住状态。压缩时最该保留的不是“发生了什么”，而是“得出了什么结论、下一步是什么”。状态，是压缩时唯一不能丢的东西。
• 长期外置。项目知识进文件，跨会话偏好进记忆库，别让长期信息住在短期上下文里。
• 隔离噪声。脏活、并行、一次性的子任务，交给子 Agent。主上下文要像核心数据库一样被保护。
• 度量曲线。记录任务成功率随上下文长度/步骤数的变化。当你在自己的业务上看到 context rot 曲线，你就有了最真实的优化信号。

▲ 六条建议，按优先级排序。

06｜Agent 竞争的三个阶段

回头看这条线：

• 上半场拼模型，拼的是能力上限；
• 然后拼 Harness，拼的是工程化的运行时；
• 现在拼上下文，拼的是第 100 步时模型还清不清醒。

模型决定 Agent 有多聪明，Harness 决定它有多稳，上下文决定它能走多远。

上下文工程不是炫技，它是一堆不性感但决定上限的工程决策：

信息放在哪、什么时候进来、什么时候出去。

在下半场，这些决策将拉开两个用着同一个模型的产品之间的距离。

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】