Context Engineering 上下文工程是什么？和提示词工程有什么联系？ - 链载Ai

最近频繁接触到上下文工程这一新兴概念：它与我们熟知的提示词工程究竟存在怎样的关联？又能针对性解决哪些实际问题？不妨跟着我一起深入探索～

什么是上下文工程

上下文工程构建的是一个动态系统，旨在为LLM提供正确格式的信息和工具，使其能合理地完成任务。这个系统可从多个来源获取上下文，包括应用开发者、用户、之前的交互、工具调用或其他外部数据，并根据不同的任务和情境动态地构建最终的提示。

例如，当AI智能体需要根据邮件安排会议时，需要整合日历信息、过往邮件、联系人列表等多种信息，还会提供如发送邀请等可用工具，让模型基于这些丰富的上下文生成合理回复。

上下文工程和prompt工程有以下区别：

prompt工程主要关注于如何巧妙地措辞提示，以期从LLM中获得更好的答案，重点在于提示词的设计。而上下文工程更强调提供正确的信息和工具，关注的是如何从多个来源收集和整合上下文信息，以及确保这些信息和工具的格式适合LLM处理。

prompt工程是上下文工程的一个子集。上下文工程的范畴更广，它不仅包括提示的构建，还涉及到对系统级指令、用户当前输入、对话历史、长期记忆等多种上下文信息的管理和调度。

prompt工程核心是手动构思一小段精妙的指令。而上下文工程则是构建一个自动化系统，像设计一条“信息流水线”，该系统负责从数据库、文档等来源自动抓取、整合信息，并将其打包成完整的上下文，再喂给模型。

prompt工程适用于相对简单的任务，通过优化提示词就能让模型给出较好的回答，普通用户写好提示词就可满足一些基本需求。而上下文工程则主要针对复杂任务，当需要构建能够自主规划和行动的AI Agent时，就需要上下文工程来动态地识别信息缺口、自主调用工具、组织并填充上下文。

上下文工程主要由任务描述与解释、少样本示例、检索增强生成等部分组成，具体如下：

任务描述与解释：清晰地界定任务目标，让模型明确需要完成的工作，类似于给模型下达具体的指令，告知其任务的性质、范围和要求等，有助于模型朝着正确的方向输出结果。
检索增强生成（RAG）：从外部知识库动态注入相关信息，使模型能够获取更广泛、更准确的知识，从而更好地处理复杂问题。例如，当模型回答特定领域的问题时，RAG可以从专业文档、数据库中检索相关内容并提供给模型。
记忆（Memery）: 包含短期记忆（history and state）或长期记忆（从对话中提取的事实信息），保证任务的进展的记录和对话的延续性。
工具（Tools）：赋予模型调用外部API或函数的能力，如搜索工具、计算器、代码执行器等。模型可以根据任务需求，调用相应工具来获取特定信息或执行特定操作，增强其解决实际问题的能力。
少样本示例（Few - shot examples）：为模型提供具体的范例参考，通过展示一些类似任务的成功案例或正确输出形式，让模型学习任务的执行方式和期望的输出格式，帮助模型更好地理解任务并生成符合要求的答案。

在与大模型交互的过程中，我们在做的事本质上就是在完善Prompt，给它提供更多的上下文。而上下文工程系统的讲解了我们补充上下文的手段，可以看作是构建大模型应用的最佳实践。