|
最近走红的“上下文工程”（Context Engineering）到底是什么？跟提示工程什么区别？是新瓶装旧酒吗？摘要：上下文负责铺路，而提示工程教你怎么走，提示工程是上下文工程的子集。 提示词工程(Prompting engineering) 而上下文工程(Context Engineering)参考：小红书博主“机器坏人（AI版）”的漫画，https://www.xiaohongshu.com/explore/68778c21000000000d01a610上下文工程=提示词+用户画像+记忆+检索信息+RAG信息+MCP信息除了上下文工程，近期还有另一个概念：MemOS，三者对比总结。使用Agent时，常常遇到棘手问题： - 为什么智能体这么不稳定？并归咎于模型本身不够强大。
然而，问题的根源：未能向模型提供恰当上下文。 - 智能体无法可靠地执行任务时，根本原因通常是未能以正确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。”
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：
随着模型能力的飞速发展，第二点成为更普遍的瓶颈。 上下文供给不足体现在： - 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。
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。
提示词 → 上下文
前段时间, Andrej Karpathy等人提出,应该用Context Engineering替代Prompting Engineering的说法... 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。 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（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。
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。
提示工程是上下文工程的子集。
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。
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 复杂智能体系统从多个来源获取上下文：
将所有这些信息整合在一起，需要一个复杂的系统。
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
进行上下文工程时，应反复确认： - “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。 | 
