认识上下文工程（Context Engineering）

"上下文工程是一门设计和构建动态系统的学科，它以正确的格式在正确的时间提供正确的信息和工具，为 LLM 提供完成任务所需的一切。”

“上下文工程” 优于 “提示工程”。

人们会把提示与你在日常使用中为 LLM 提供的简短任务描述联系起来。在每一个工业级的 LLM 应用中，上下文工程都是一门精妙的艺术和科学，它需要用恰当的信息来填充上下文窗口，以便下一步操作。

之所以说是科学，是因为正确地做到这一点需要任务描述和解释、一些示例、RAG、相关（可能是多模态）数据、工具、状态和历史记录、压缩……如果信息太少或形式不对，LLM 就无法获得最佳性能所需的正确上下文。如果信息太多或太不相关，LLM 的成本可能会上升，性能也可能会下降，因此做好这件事绝非易事。

之所以说是艺术，是因为 LLM 的心理学指导着人们的精神世界。

除了上下文工程本身之外，LLM 应用程序还必须：

- 将问题分解为控制流

- 正确打包上下文窗口

- 向更合适类型和能力的 LLM 发出请求

- 处理生成验证 UIUX 流程

- 更多：护栏、安全、评估、并行性、预取…

因此，上下文工程只是新兴的、重要的软件层中的一小部分，该软件层将单个 LLM 调用（以及更多）协调到完整的 LLM 应用程序中。

“套壳 ChatGPT” 这个术语已经过时了，而且非常错误。

我真的很喜欢“上下文工程”这个术语，而不是提示工程。

它更好地描述了核心技能：为 LLM 能够合理解决的任务提供所有背景的艺术。

AI 的新技能不是提示词，而是上下文工程

指令/系统提示：定义模型在对话过程中行为的初始指令集，可以/应该包含示例、规则…

用户提示（User Prompt）：来自用户的即时任务或问题。

状态/历史（短期记忆）：当前对话上下文，包括用户提问和模型响应。

长期记忆：持久性知识库，收集历史对话，包含学习到的用户偏好、过去项目的总结或模型被告知要记住以备将来使用的事实。

检索信息 (RAG)：用于回答特定问题的信息：外部最新知识（Web Search）；来自文档、数据库或 API 的相关信息（企业知识库）；用户个人的特定兴趣爱好和对话历史。

可用工具（MCP）：所有可调用函数或内置工具的定义（例如，check_inventory、send_email）。

结构化输出：定义模型响应格式，例如 JSON 对象。

以上来自博客：

https://www.philschmid.de/context-engineering

上下文工程，分步指南

1. 知道你真正想要什么

不要这样提问：“写个食谱。”

试试这样提问：“写一份素食菠萝蜜食谱，听起来就像朋友在周日上午11点给你发的短信一样。”

通过具体地说明语气、目的和受众，这有助于让模型的回复符合你的期望。

2. 提供正确的信息

想想模型还需要知道什么才能更好地完成这项工作。

模型扮演的是谁？

它在和谁说话？

有什么规则吗？（字数限制、时间限制、语言类型？）

有什么例子可以参考吗？

除非你明确告诉模型以上信息，否则它不会知道这些。如果你不说“控制在30分钟以内”，它可能会给你一个需要几个小时才能学会的菜谱。如果你不说“像初学者一样说话”，它可能会使用复杂的词汇。

3. 合理安排输入的顺序

输入的顺序很重要。

一个简单有效的结构：

[Role or Voice][Facts or rules — what must be included][Example — short sample of tone or style][Prompt — final task]

附中文结构：

[角色或语气]
[事实或规则——必须包含的内容]
[示例——语气或风格的简短示例]
[提示——最终任务]

最重要的内容应该放在底部（尤其是最终要执行的任务或目标），因为 LLM 更加关注接近末尾的内容。

4. 提示词要保持紧凑

有效 Token 数量有限，如果不保持紧凑，它将很快就会用完。

所以，请删减不必要的内容：

不要重复解释

避免使用通用/普通的问候或介绍

删除任何对模型工作无益的内容

每一行都应该帮助模型理解，让模型知道要说什么以及如何表达。

5. 提示词要清晰直白

LLM 不会去揣摩字里行间的意思。如果你想要某种语气或细节，就直截了当地说出来。

LLM 就像一个聪明的新实习生。如果你表达得含糊其辞，它就会谨慎行事。如果你表达得清晰明确，它就能正确完成任务。

当然，还应该加入更多上下文信息，如：长期记忆，检索信息 (RAG)，MCP，输出格式等。

一个例子

目标：让 LLM 写一篇针对工程师的帖子，内容是：警告不要在无人监督的情况下使用 AI 自动进行部署。

默认提示词版本：“写一篇关于 AI 和自动化风险的博客。”

结果：内容很普通，满嘴流行语，没有真正的观点。

上下文工程版本：

[角色]你是一位处于职业生涯中期的软件工程师，正在为同行撰写博客。
[目标受众]经验丰富的开发者，对 LLM 充满好奇但又谨慎。
[语气示例]“当然，Copilot 会编写测试。但仅仅因为 CI 通过了就让 GPT 合并代码？这就是计费中断的原因。不是崩溃——只是一片混乱。”
[提示]写一篇 700 字的博客文章。包括一个关于机器人报税的轻松笑话。

附英文版本

[Role]You’re a mid-career software engineer writing a blog for peers.
[Audience]Experienced devs who are curious but cautious about LLMs.
[Example tone]“Sure, Copilot writes tests. But letting GPT merge code just because CI passed? That’s how billing breaks. Not with a crash—just quiet chaos.”
[Prompt]Write a 700-word blog post. Include one light joke about robots doing taxes.

当然，你还应该加入更多上下文信息，如：长期记忆，检索信息 (RAG)，MCP，输出格式等。

最终效果：感觉亲切。不那么正式。它传达了信息，听起来不像在说教。

结语

要构建强大可靠的 AI 智能体，不再仅仅是需要寻找神奇的提示词，或者更新更好的模型。

更重要的是，构建上下文，并在正确的时间以正确的格式提供正确的信息和工具。

这是一个跨职能的挑战，需要理解业务用例、定义输出，并构建所有的必要信息，以便 LLM 能更好地“完成任务”。

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

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

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