鹤啸九天 自律更自由,平凡不平庸 Less is More

上下文工程指南

2025-06-27
阅读量

Notes(温馨提示):

  1. ★ 首次阅读建议浏览:导航指南, 或划到本页末尾, 或直接点击跳转, 查看全站导航图
  2. 右上角工具条搜索文章,右下角二维码关注微信公众号(鹤啸九天),底栏分享、赞赏、评论
  3. ★ 转载请注明文章来源,知识点积累起来不容易,水滴石穿,绳锯木断,谢谢理解
  4. ★ 如有疑问,邮件讨论,欢迎贡献优质资料


上下文工程

早期提示工程(Prompt Engineering),即如何巧妙地向模型提问,迅速转向一个更进阶的领域——上下文工程(Context Engineering)。

资料

背景

使用LLM 智能体(Agent)时,常常遇到棘手问题:

  • 为什么智能体表现如此不稳定?

习惯性归咎于模型本身不够强大。

然而,问题根源:未能向模型提供恰当上下文

  • 当一个智能体无法可靠地执行任务时,其根本原因通常是未能以正确的格式向模型传递正确的信息、指令和工具

随着LLM应用从单一提示词演变为复杂的、动态的智能体系统,“上下文工程”(Context Engineering)正迅速成为AI工程师需要掌握的重要技能。

Cognition 团队核心观点

“再聪明的模型,若不知上下文,也无法做出正确判断。”

LLM 失败

智能体系统的失误,本质是 LLM 失误

从第一性原理分析,LLM 失败主要源于两个方面:

  • 底层模型能力不足,无法正确推理或执行。
  • 模型缺少正确判断所需的上下文

随着模型能力的飞速发展,第二点正成为更普遍的瓶颈。

上下文供给不足主要体现在:

  • 信息缺失:模型完成任务所依赖的关键信息未被提供。
  • 格式混乱:信息虽然存在,但其组织和呈现方式不佳,阻碍了模型的有效理解。

提示词 → 上下文

大模型应用技术从“提示词艺术”迈向“上下文科学”。

最近爆品,如Cursor,Manus等产品都表明

  • 一个卓越的大模型产品,背后必然是精心设计的上下文工程系统

未来的核心竞争力,不再是精妙的提示词,更是高质量、高效率的上下文

通过精心组织,为模型提供事实依据、注入持久记忆、并扩展其行动能力,有可能释放大模型的潜力,构建出新的有价值AI产品。

定义

上下文工程

  • 构建动态系统,以正确格式提供合适的信息和工具,使 LLM 能够合理地完成任务。

上下文工程

上下文工程(Context Engineering)核心定义:

  • 构建一个动态系统,以正确格式提供正确的信息和工具,从而使大语言模型(LLM)能够可靠地完成指定任务。

深入理解:

  • 系统工程:复杂智能体从多个来源获取上下文,包括开发者预设、用户输入、历史交互、工具调用结果以及外部数据。将这些信息源有机地整合起来,本身就是一个复杂的系统工程。
  • 动态变化:上下文组成部分很多是实时生成。最终输入给模型的提示(Prompt)也必须是动态构建的,而非静态的模板。
  • 信息精准:智能体系统失败的原因之一是上下文信息缺失。LLM 无法“读心”,必须为其提供完成任务所需的全部信息。所谓“垃圾进,垃圾出”,信息质量直接决定输出质量。
  • 工具适用:很多任务无法仅靠初始信息完成。为 LLM 配备合适的工具就变得至关重要,用于信息检索、执行动作或与其他系统交互。提供正确的工具与提供正确的信息同等重要。
  • 强调格式规范:与 LLM 的“沟通方式”跟人一样关键。简洁明了的错误信息远胜于一个庞杂 JSON 数据块。工具的参数设计、数据的呈现格式,都会显著影响 LLM 的理解和使用效率。
  • 任务可行性:设计系统时,应反复自问:“在当前提供的上下文和工具下,LLM 是否真的有可能完成任务?” 便于归因分析,上下文不足,还是模型本身的执行失误,从而采取不同的优化策略。

图解

提示工程 vs 上下文工程

为什么从“提示工程”(Prompt Engineering)转向“上下文工程”?

LLM应用早期,开发者专注于通过巧妙措辞诱导模型给出更好的答案。

但随着应用变得越来越复杂,共识逐渐形成:

  • 向AI提供完整和结构化的上下文,远比任何“魔法般”的措辞都重要。

提示工程上下文工程的子集。

即使有全部上下文信息,提示词组织、编排方式,仍然至关重要——提示工程范畴。

核心区别:

  • 上下文工程:设计架构,动态地收集、筛选和整合来自多源的数据,构建出完整的上下文。
  • 提示工程:已有上下文的基础上,设计格式化和指令,以最优方式与LLM沟通。

不同于传统 Prompt Engineering,Context Engineering 更关注系统级的动态上下文构建

  • 强调:在复杂交互和多智能体协作中,如何为每个 Agent 构建精准、独立、可持续的任务背景,是系统能否稳定运行的关键。

构成

上下文系统由多个关键部分组成

上下文工程是一个动态系统

复杂的智能体系统从多个来源获取上下文:

  • 应用开发者:预设的系统指令和行为准则。
  • 用户:当前任务的直接输入和要求。
  • 历史交互:先前对话的记忆或摘要。
  • 工具调用:通过API或函数调用获取的外部信息。
  • 外部数据:从数据库或知识库中检索的文档。

将所有这些信息整合在一起,需要一个复杂的系统。

  1. 提供正确的信息与工具
  2. 格式化至关重要
  3. 自检:反复确认信息是否充分

而且必须动态,因为许多上下文信息是实时变化的。

因此,最终交付给LLM的提示词(Prompt)不是静态模板,而是由动态逻辑实时构建的。

好的上下文工程应该包括:

  • 工具使用:当一个智能体访问外部信息时,需要拥有能够访问这些信息的工具。当工具返回信息时,需要以 LLM 最容易理解的方式对其进行格式化。
  • 短期记忆:如果对话持续一段时间,可以创建对话摘要,并在未来使用该摘要。
  • 长期记忆:如果用户在之前的对话中表达了偏好,需要获取这些信息。
  • 提示工程:在提示中清楚地列举智能体应该如何操作的说明。
  • 检索:动态地获取信息,并在调用 LLM 之前将其插入到提示中。

正确的信息与工具

LLM 应用失败常见原因:上下文缺失

LLM无法读取用户思想,如果不提供完成任务所需的关键信息,不可能知道这些信息的存在。

  • “垃圾进,垃圾出”(Garbage in, garbage out)原则。

同样,仅有信息可能还不够。

在很多场景下,LLM需要借助工具来查询更多信息或执行某些动作。为LLM提供正确的工具,与提供正确的信息同等重要。

格式化至关重要

与人类沟通类似,如何向LLM传递信息,其格式会极大地影响结果。

一个简短但描述清晰的错误信息,远比一个庞大而杂乱的JSON数据块更容易让LLM理解和处理。这一点同样适用于工具的设计,工具的输入参数是否清晰、易于理解,直接决定了LLM能否有效使用。

自检

进行上下文工程时,反复确认:

  • “以当前提供的上下文,LLM真的能合理地完成任务吗?”

这个问题能保持清醒,认识到LLM不是万能的,要为创造条件。同时,有助于区分两种主要的失败模式:

  • 失败模式一:没有提供足够或正确的信息/工具,导致LLM失败。
  • 失败模式二:提供了所有必要的信息和工具,但LLM自身出现了推理错误。

这两种失败模式的修复方案截然不同,准确定位问题是优化的第一步。

应用

优秀的上下文工程实践:

  • 工具使用(Tool Use):确保必要时能访问外部信息,并为工具设计易于LLM理解的输入参数和输出格式。
  • 短期记忆(Short-term Memory):持续多轮对话中,动态创建对话摘要,并将其作为后续交互的上下文,防止信息丢失。
  • 长期记忆(Long-term Memory):当历史对话中包含用户特定偏好时,系统能够自动获取这些信息,并在新对话中加以利用。
  • 提示工程(Prompt Engineering):提示词清晰地列出智能体应遵循的行为准则和详细指令。
  • 检索(Retrieval):调用LLM之前,根据用户查询动态地从知识库(如向量数据库)中获取相关信息,并将其注入到提示词中。

两者却不约而同指出:要让多智能体系统稳定运行,有两个关键前提:

  • Context Engineering(上下文工程)是基础设施级能力
  • 多智能体更适合“读”任务而非“写”任务

结语:别被“智能体数量”迷惑,关键是上下文控制力

  • Cognition 的告诫并非“多智能体无用”,而是警示其复杂性;
  • Anthropic 的成功并非“多智能体万能”,而是源于良好的任务拆解与上下文管理; 构建多智能体系统不仅是技术挑战,更是“系统工程挑战”。

Cognition

Cognition 团队总结

  • 多 Agent 写作风险: “行为背后是决策,冲突的决策会带来灾难。”
  • 再聪明的模型,若不知上下文,也无法做出正确判断。

读 vs 写,本质区别在哪?

  • 读(Research)型任务:如搜索信息、理解材料等,天然适合并行执行,多个 Agent 各自探索、协同处理即可。
  • 写(Synthesis)型任务:如代码生成、内容撰写,需保持结构统一、语言风格一致,难以拆分并行,否则会产生冲突或碎片化。

Anthropic

Anthropic 实践:

  • 长对话管理:对话可能长达数百轮,需要引入外部记忆压缩机制,如在每阶段总结信息存储进记忆库、跨阶段切换时唤回关键信息。
  • 任务描述精准化:子智能体需要被明确告知目标、输出格式、所用工具、边界约束,否则容易重复劳动或遗漏重要内容。

底层能力支持

  • ✅ 完整控制 LLM 接收的上下文输入
  • ✅ 无隐藏提示、无强加的“认知架构”
  • ✅ 明确每一步执行顺序,实现灵活编排

Claude Research 系统中:

  • 读取任务:由多智能体并行完成,每个 Agent 负责不同方向
  • 写作任务:由主智能体统一汇总并输出,避免冲突与割裂

模糊指令导致多个 Agent 重复搜索 2025 年半导体供应链,有效的任务拆解机制是防止资源浪费的关键。

Agent 框架核心不是功能丰富,而是给开发者“上下文的完全控制权”。

多智能体系统适合任务:

  • ✅ 高价值任务:计算成本可控,但任务本身价值高(如战略研究)
  • ✅ 广度优先探索:适合多个 Agent 并行发散,如舆情分析、多角度政策解读
  • ✅ 超长上下文任务:任务 token 超过单模型窗口上限时,可用 Agent 分工处理各部分

而在以下场景中,多智能体反而不如单体结构高效:

  • ❌ 强依赖上下文同步、实时响应(如代码协作、系统集成)
  • ❌ 子任务之间依赖复杂、无法并行(如多步骤推理题)

没有通用最佳结构,只有最合适的架构决策。

作者:AI小智

LangChain

LangChain 生态两个核心工具——LangGraphLangSmith——为实践上下文工程提供了强大的支持。

  • LangGraph 用于构建可控智能体框架的库。设计理念与上下文工程完美契合,因为赋予了开发者完全的控制权。
  • LangSmith 是 LangChain 的 LLM应用可观测性(Observability)和评估解决方案。核心功能——调用链路追踪——是调试上下文工程问题的利器。

Cursor

待定

结束


支付宝打赏 微信打赏

~ 海内存知已,天涯若比邻 ~

Share

Similar Posts

Related Posts

标题:长文本创作专题

摘要:大模型辅助长文本创作有哪些问题,怎么解决

站内可视化导航

文章可视化导读:鼠标划过图形块时,如果出现蓝色光环, 点击即可跳转到对应主题

Comments

--disqus--

    My Moment ( 微信公众号 )
    欢迎关注鹤啸九天