“ 上下文工程是一种复杂的提示词方法论，其作用是为了解决模型上下文窗口限制所导致的问题。”

最近在优化RAG的增强问题，也就是提示词的封装，包含系统提示词，用户问题，历史记录和召回文档等；然后就发现一个平常没有关注的问题，那就是模型上下文窗口大小以及其带来的问题。

我们都知道模型的上下文窗口是有大小限制的，哪怕随着模型技术的发展其窗口大小也越来越大，但总归有一个限制；而在这个窗口中不但包含了用户问题，还同时包含了历史记录和参考文档；特别是在多轮对话中，随着对话次数的增多，很容易就达到了上下文窗口的限制。

当然，可能很有人会说，我在使用模型的时候聊天好多轮但都没有报超长错误啊；原因是模型厂商默认给你做了上下文裁剪，当上下文超过模型窗口时会默认丢弃之前的对话，这也是大模型“失忆”的原因。

模型上下文窗口

模型上下文窗口限制，这是一个客观存在的事实；但可能很多人到现在都没搞明白这个上下文窗口到底是怎么算的，特别是在多轮对话中，比如说上下文窗口与输入输出之间的关系？

模型上下文窗口因模型不同，其值也不同；但我们要明白一件事，那就是模型上下文窗口是指模型能够处理的最大数据长度，其计量单位是Token，如果不知道什么是token的，自己去查。

因此，模型上下文窗口包含了输入和输出；特别是在多轮对话中的处理最为显著。

举例来说，一个模型的上下文窗口是1000token；你输入用了100token(包含问题，系统提示词，参考文档等）；然后模型回答问题用了两百token，这时模型的上下文窗口就还剩700token；然后在第二轮对话中，假如你的输入还是用了100token，第二轮回答也是用了200token，那么由于历史记录的存在，第二轮对话消耗了多少token?

100 + 200 + 300(第一轮对话的输入和输出100+200)，这时就用了600token，那么再对话一次，在第四次对话的时候，上下文窗口就超限了。这时应该怎么办？

默认情况下会对上下文进行截取，丢掉最开始的第一轮对话内容或者前200个token。

当然，以上内容都是基于多轮对话和有记忆功能存在的前提下，如果是单轮对话或者没有记忆，那么只要单次没有超出模型上下文限制，那么就不会有问题。

由于目前大部分的应用场景都是基于多轮对话，因此基于以上情况就面临一个问题，上下文超长是一个必然的过程；那么，怎么才能让模型更好地输入和输出呢？

这时，提示词工程和上下文工程的作用就体现出来了；在这里我们要明白一个前提，不管模型的上下文限制是多少，对模型来说它接受的最终形式就是一串提示词。

而这就是提示词工程要做的事情，但这里为什么又搞出了一个上下文工程呢？

在大模型应用中，提示词工程一般是指静态的提示词，其作用是为了在单次对话中，尽可能的引导模型，让其表现达到最好；但是，在多轮对话中，提示词最终的来源很复杂，包括用户问题，系统提示词，历史记录和参考问题；特别是历史记录。

上下文工程虽然很多人都认为它是一个新概念，但事实上我们在开发过程中已经在使用它了；比如说在langchain的提示词模板中拼接历史记录和参考文档就属于上下文工程的一部分。

上下文工程可以简单理解为是提示词工程的一种复杂情况，由于历史记录和参考文档的存在；特别是随着多轮对话，历史记录会逐渐增多，这时怎么保证在尽可能不丢失历史记录的前提下，还能保证最终的提示词不会超出上下文窗口，以及使用什么样的提示词结构才能让大模型更好的理解和输出，这就是上下文工程所需要解决的问题。

为了解决这个问题，因此有了历史记录压缩技术，提示词结构设计，参考文档处理等一系列技术问题。

总之，上下文工程的目的是为了解决在模型上下文有限的情况下，尽可能的让模型表现的更好，输出更高质量的回答。

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。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 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！

③ 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。

④ 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。

⑤ 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。

⑥ 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。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？