视觉化解读

上下文工程正变得越来越重要，但我们觉得很多人仍然难以真正理解它的实际含义。

今天，让我们以逐步的方式来全面了解上下文工程的一切！

我们开始吧！

---

简单来说，上下文工程就是一门艺术兼科学，其核心是在恰当的时间、以恰当的形式，将恰当的信息提供给你的LLM。

以下是Andrej Karpathy关于上下文工程的一段引语…

要理解上下文工程，首先必须理解上下文的含义。

如今的智能体已经演变成远不止聊天机器人。

下图总结了智能体正常运作所需的六种上下文类型，它们是：

注：在人工智能领域，“上下文”通常指模型处理任务时参考的额外信息，如用户输入的背景或历史数据；“智能体”则指能够自主感知环境、决策并行动的AI系统，例如基于大语言模型的程序，这些概念是理解上下文工程的关键。

• 指令
• 示例
• 知识
• 记忆
• 工具
• 护栏

这告诉你，仅仅“提示”智能体是不够的。

你必须对输入（上下文）进行工程化。

这样想：

• 如果LLM是CPU。
• 那么上下文窗口就是RAM。

本质上，你是在用完美的指令为你的人工智能编“RAM”。

我们该怎么做呢？

上下文工程可以分解为4个基本阶段：

这里的比喻将大语言模型（LLM）比作计算机的中央处理器（CPU），上下文窗口比作随机存取存储器（RAM）。CPU负责处理信息，RAM存储当前使用的数据；类似地，LLM处理输入指令，上下文窗口则提供处理所需的信息。通过精心设计上下文（编程“RAM”），我们可以优化AI的性能和输出。

|

• 编写上下文
• 选择上下文
• 压缩上下文
• 隔离上下文

让我们逐一理解每个阶段…

1) 编写上下文：

编写上下文指的是将上下文保存在上下文窗口之外，以帮助智能体执行任务。

注：上下文窗口（context window）指大语言模型处理输入时能考虑的最大文本长度，类似于计算机内存。智能体（agent）在人工智能中指能够感知环境并自主执行任务的系统，如聊天机器人或自动化程序。

您可以通过将其写入以下位置来实现：

• 长期记忆（跨会话持久保存）
• 短期记忆（在会话内持久保存）
• 状态对象

2) 读取上下文：

读取上下文指的是将其拉入上下文窗口，以帮助智能体执行任务。

上下文窗口是大语言模型（LLM）中一次性能处理的文本序列的最大长度。将上下文拉入窗口意味着使模型能够访问这些信息以进行推理或生成。

这个上下文可以从以下来源拉取：

• 工具
• 内存
• 知识（文档，向量数据库）

3) 压缩上下文

压缩上下文意味着只保留任务所需的token。

“知识”在这里指用于存储信息的数据库，如文档或向量数据库，后者专门处理高维向量数据，常用于机器学习中的相似性搜索。
“压缩上下文”是一种优化技术，通过筛选输入数据，仅保留对当前任务最重要的部分，以减少计算开销并提高效率。而“token”是大语言模型处理文本时的基本单位，通常对应单词或子词。

检索到的上下文可能包含重复或冗余信息（例如多轮工具调用），从而增加额外token消耗和成本。

上下文总结在这里能发挥作用。

4) 隔离上下文

隔离上下文涉及将其分割开来，以帮助智能体执行任务。

一些流行的实现方式包括：

• 使用多个智能体（或子智能体），每个都有其自己的上下文
• 使用沙盒环境来存储和执行代码
• 以及使用一个状态对象

因此，本质上，当你构建一个上下文工程工作流时，你是在工程化一个“上下文”管道，以便让大语言模型在正确的时间、以正确的格式看到正确的信息。

这正是上下文工程的工作原理！

就像你工程化特征以使机器学习模型工作一样…

• 那些对输出没有贡献的特征应该被移除
• 高度相关的特征在某些情况下可能帮助不大，等等…

…类似地，你工程化大语言模型的上下文，使其能够准确响应。

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。

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】