浅显易懂的上下文工程技术指南 原创

什么是上下文工程？

为什么大家都在谈论它？

今天我们来了解一下！

上下文工程正在迅速成为 AI 大模型应用新架构师/工程师的一项关键技能。它不再仅仅是巧妙地提示词，而是关于系统性地组织上下文。

目前存在的问题是：

大多数 AI 智能体（或大语言模型应用）之所以失败，并不是因为大模型本身不好，而是因为它们缺乏成功所需的正确上下文。

例如，一个典型的检索增强生成（RAG）工作流程通常是80%的检索和20%的生成。

所以：

好的检索即使搭配较弱的大语言模型也能奏效。

但糟糕的检索即使搭配最好的大语言模型也毫无用处。

如果你的 RAG 工作流程运行不畅，很可能是因为上下文检索出了问题。

同样地，大语言模型也不是心灵感应者。它们只能根据你提供的内容来工作。

上下文工程涉及创建动态系统，提供以下内容：

• 正确的信息
• 正确的工具
• 以正确的格式呈现

这能确保大语言模型能够高效地完成任务。

但为什么传统的提示词工程就不够用了呢？

提示词工程主要关注“魔法词汇”，期望通过巧妙的措辞获得更好的回应。

然而，随着 AI 应用变得越来越复杂，完整且结构化的上下文比巧妙的措辞重要得多。

上下文工程系统的4个关键组成部分是：

• 动态信息流：上下文来自多个来源，包括用户、之前的互动、外部数据以及工具调用。你的系统需要智能地将它们整合在一起。
• 智能工具访问：如果 AI 需要外部信息或操作，就给它合适的工具。将输出格式化，使其尽可能易于理解。
• 内存管理：

     a.短期：总结长对话

     b.长期：跨会话记住用户偏好

• 格式优化：简单明了的错误提示，总是比一大堆复杂的代码（比如：JSON 格式的长串内容）更容易让人看懂。

一句话总结

别再死磕“提示词魔法”了--现在决定 AI 能不能干好活的，是你能不能把“该给它的背景、工具、格式”一次性喂对。这门新手艺就叫“上下文工程”。

三句话展开

1. 问题：多数 AI 表现差，不是因为模型笨，而是缺关键背景、工具或格式不对。
2. 解法：搭一个动态系统，自动把各种来源的信息、外部工具、用户偏好整合好，再按 LLM 最容易理解的格式送进去。
3. 工具：LangGraph 让你“想塞什么就塞什么”到 LLM；LangSmith 把全过程录下来，帮你检查到底缺了哪块上下文。

总之，

上下文工程正在成为 AI 大模型应用新架构师的一项新的核心技能，因为它解决了真正的瓶颈问题，这个瓶颈不是大模型的能力，而是信息架构的搭建。

随着大模型性能的提升，上下文质量将成为主要的限制因素。

本文转载自​​玄姐聊AGI​​  作者：玄姐