1 引言

---

如果你使用大语言模型（LLMs）有一段时间了，可能会遇到这样的时刻：模型非但帮不上忙，反而成了阻碍。回答质量下降、频繁提示需要开启新对话窗口、设定的限制条件不断被遗忘——这些都是模型上下文变得"污染过重"时的典型表现。在构建AI智能体时，这些问题可能直接决定系统的成败：是成为可靠的生产级智能体，还是仅能在本地测试中正常运行，却在实际生产环境中崩溃。

要弥合这一差距、打造稳定可靠的智能体系统，就必须掌握有效的上下文管理方法。这正是上下文工程的用武之地，它对于大规模构建可靠智能体至关重要。

2 理解大语言模型中的"上下文"

---

在深入探讨上下文工程之前，我们先明确在大语言模型领域中"上下文"的含义。

上下文（Context）指的是大语言模型在处理任务时能够看到和处理的所有信息，本质上是模型为了完成请求可访问和参考的全部数据。包括但不限于：

• 你的提示词和系统指令
• 对话中的历史消息
• 检索增强生成（RAG）的文档及检索到的信息
• 工具调用的结果和响应
• 图像、音频或文档等多模态输入

每个大语言模型都有一个上下文窗口。这是模型在单次会话中可访问和参考的信息量（以tokens为单位）的硬性限制。一旦超出这个限制，模型要么会截断信息，要么会直接拒绝处理请求。不同模型的上下文窗口差异很大，从几十万个token到数百万个token不等。此外，输入类型（文本vs图像等）对token的消耗也有显著影响。

3 什么是上下文工程？

---

上下文工程——正如特斯拉前AI总监安德烈·卡帕斯（Andrej Karpathy）在推文中所描述的——是"一种精妙的艺术与科学，旨在为模型的下一步操作在上下文窗口中填充恰到好处的信息"。

它不仅限于单一提示词的设计，而是对智能体或大语言模型可访问的整个系统进行管理。可以将其比作"微调智能体的大脑"：当人类需要解决问题时，会借助各种输入和参考点来判断正确方案；而上下文工程的核心，就是为智能体管理这些输入和参考点。

4 上下文工程vs提示工程

---

你可能已经熟悉提示工程（prompt engineering），但它只是构建可靠AI系统的一部分。

提词工程侧重于：

• 编写清晰、具体的指令
• 使用有效的提示词模板和格式
• 设计示例和演示内容
• 优化对模型的即时请求

而上下文工程则侧重于：

• 长期管理整个信息环境
• 决定在多次交互中应包含或排除哪些信息
• 处理长时间运行的对话和会话
• 优化系统在大规模场景下的可靠性和一致性

打个比方：提示工程就像打磨专辑中的一首歌曲，而上下文工程则是管理整张专辑的曲目编排和制作流程。

5 为什么这对智能体构建至关重要？

---

构建可扩展的智能体时，需要考虑诸多因素。通常，一个智能体必须具备以下能力：

• 维持长时间对话
• 访问多个数据源
• 使用各种工具
• 记住过往决策
• 处理复杂的多步骤任务

如果没有有效的上下文工程，系统性能会很快遇到瓶颈，同时token使用效率低下会直接导致成本增加。此时，仅靠优化提示词无法解决问题。

糟糕的上下文管理可能导致四种常见的"上下文失效"：

1. 上下文污染

   ——错误或幻觉响应干扰上下文

2. 上下文冲突

   ——信息矛盾导致输出不一致

3. 上下文混淆

   ——无关数据影响输出结果

4. 上下文过载

   ——过多信息淹没模型的训练知识

6 上下文工程的四大支柱

---

为避免常见的上下文失效，以下四大核心原则将帮助你构建更稳健的生产级系统。虽然这些技术并非万无一失，但相比没有这些原则，它们能让我们对上下文拥有更强的掌控力。

1）写入上下文（Write Context）

将信息存储在上下文窗口之外，以便后续检索和使用。

这涉及创建持久化的记忆系统，用于跨会话和交互保存重要信息。可以通过模型可读取的文件实现，也可以直接在智能体管理的状态中存储。

核心策略：

• 使用基于文件的记忆系统（如Claude.md文件或Cursor中的规则文件）
• 为大规模事实集合实现嵌入式文档存储
• 基于用户反馈和交互自动创建记忆
• 存储无法放入上下文窗口的结构化信息

2）筛选上下文（Select Context）

仅选择完成当前任务所需的相关信息放入上下文。

智能检索确保纳入正确信息，同时排除会降低性能的噪声。只保留必要信息不仅能为问题解决提供更准确的上下文，还能减少token消耗，从而降低成本。

核心策略：

• 对文档检索实施语义相似度评分
• 使用相关性阈值过滤低质量匹配结果
• 设计同时考虑时效性、重要性和相似度的检索机制
• 当没有高度相关的信息时，制定备选策略
• 让检索方式适应特定任务的需求

3）压缩历史（Compress Histories）

提炼出完成任务所需的最少token。

随着对话和智能体运行轨迹的延长，智能压缩有助于维持系统性能。这包括对信息进行总结和/或在必要时移除信息。

核心策略：

• 在自然边界（完成的阶段、工具调用后）对上下文进行总结
• 总结token密集型的工具调用反馈，同时保留关键见解
• 为重要的对话里程碑创建检查点
• 当接近上下文限制时自动压缩信息

4）隔离上下文（Isolate Contexts）

在多个窗口或智能体之间拆分上下文，以分解任务。

有时，最好的上下文管理方式是上下文分离，让不同组件专注于特定方面。

Anthropic的多智能体研究系统就体现了这一原则。他们没有将所有内容塞进一个庞大的上下文窗口，而是使用专门的子智能体，每个子智能体都在自己专注的上下文窗口中运行。这使得系统能够突破单一智能体的处理极限，同时保持清晰度和专注力。

核心策略：

• 使用多个专业智能体，而非一个全能型智能体
• 创建沙盒环境，将对象与主上下文隔离
• 为易于并行化的任务设计多智能体系统
• 通过清晰的边界在不同上下文窗口中分离关注点

7 小结

---

总结如下：

• 上下文工程与提示词工程不同，它专注于管理整个信息环境
• 四大问题（污染、冲突、混淆、过载）可能导致即使是设计良好的系统失效
• 四大支柱（写入、筛选、压缩、隔离）提供了系统性改进的框架
• 更好的上下文管理直接意味着更低的成本、更高的可靠性和更优的用户体验

上下文工程仍是一个不断发展的领域，最佳实践仍在通过实际实验探索。我们分享的成功经验（和失败教训）越多，就能越快共同构建更优秀的AI系统。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】