告别提示词工程，「上下文工程」才是 AI Agent 的核心竞争力，看到就是赚到！！

bugyinyin

1015人浏览 · 2025-07-18 14:06:58

bugyinyin · 2025-07-18 14:06:58 发布

前言

上下文工程（Context Engineering）是一个在人工智能领域逐渐走红的新术语。行业内讨论的焦点正从“提示词工程”（prompt engineering）转向一个更广泛、更强大的概念：上下文工程（Context Engineering）。托比·卢克（Tobi Lutke）[1]将其描述为“为任务提供完整的上下文背景，使大语言模型能够合理解决问题的一门艺术”，他说得很到位。

随着 Agents 的兴起，将哪些信息输入“有限的工作记忆（limited working memory）”中变得越来越重要。我们观察到，决定一个 Agent 成败的关键因素，通常就在于你提供给它的上下文质量。大多数 Agent 的失败早已不是模型本身的问题，而恰恰是上下文供给的失败。

1、什么是上下文（Context）？

要理解上下文工程（Context Engineering），我们首先必须扩展对“上下文”的定义。它不仅指你发送给 LLM 的单一提示词（prompt）。应该将其视为模型在生成响应前所看到的一切信息。

指令 / 系统提示词（Instructions / System Prompt）：用于定义模型在对话期间行为的初始指令集，可以/应该包含示例、规则等。
用户提示词（User Prompt）：来自用户的即时任务或问题。
状态 / 历史（短期记忆）[State / History (short-term Memory]：当前的对话内容，包括导致此刻结果的“用户与模型的历史回复“。
长期记忆（Long-Term Memory）：在之前的多次对话中收集的持久性知识库，包含学习到的用户偏好、过往对话摘要、或被明确告知需要记忆以备后续使用的信息。
检索信息（RAG）[Retrieved Information (RAG)]：外部的、最新的知识，来自文档、数据库或 API 的相关信息，用于回答特定问题。
可用工具（Available Tools）：所有可调用函数或内置工具的标准化描述（如输入参数、输出格式、功能说明）（例如 check_inventory, send_email）。
结构化输出（Structured Output）：对模型响应格式的定义，例如一个 JSON 对象。

2、为什么重要？从「廉价的演示项目」到「神奇的智能体产品」

构建真正高效的 AI 智能体的秘诀，与你编写代码的复杂程度关系不大，而与你提供上下文的质量息息相关。

**构建智能体，与你编写的代码或使用的框架关系不大。**一个廉价的演示项目和“神奇的智能体”之间的区别，就在于你所提供上下文的质量。假设让一个 AI 助手根据一封简单的邮件来安排会议：

Hey, just checking if you’re around for a quick sync tomorrow.

嘿，想问一问明天方不方便，我们快速碰个头？

“廉价的智能体演示项目”的上下文质量很差。它只看到用户的请求，其他什么都看不到。它的代码可能功能完善，它会调用 LLM 并获得响应，但输出的内容却毫无帮助，且充满机械感：

Thank you for your message. Tomorrow works for me. May I ask what time you had in mind?

感谢来信！明天我有空。你想约在几点？

“神奇的智能体”则由丰富的上下文驱动。其代码的主要任务并非琢磨如何回应，而是收集 LLM 所需的信息，以便更好地响应用户需求。在调用 LLM 之前，你可以扩展上下文，使其包含：

你的日历信息（显示你日程已满）。
你与此人的过往邮件（用于确定合适的非正式语气）。
你的联系人列表（用于识别 ta 为关键的合作伙伴）。
send_invite 或 send_email 工具。

然后便能生成回应：

Hey Jim! Tomorrow’s packed on my end, back-to-back all day. Thursday AM free if that works for you? Sent an invite, lmk if it works.

嗨 Jim！明天我这边日程全排满了，从早到晚连轴转。周四上午有空，你看行不？邀请已发，确认下是否合适~

这种神奇的效果并非源于更聪明的模型或更精巧的算法，而在于为正确的任务提供了恰当的上下文。这就是为什么上下文工程（Context Engineering）非常重要。智能体的失败并非仅仅是模型的失败，本质上是上下文的缺失。

3、从提示词工程到上下文工程

什么是上下文工程？如果说“提示词工程（prompt engineering）”侧重于在单个文本字符串中精心设计一套完美的指令，那么上下文工程（context engineering）的范畴则宽广得多。简而言之：

上下文工程是一门设计和构建动态系统的学科，它能以正确的格式、在正确的时间提供正确的信息与工具，赋予 LLM 完成任务所需的一切资源。

上下文工程是

一套流程，而非某些字符串：上下文不仅是一个静态的提示词模板。它是主 LLM 调用前系统运行所产生的输出。
动态构建的：随任务即时生成，适配用户当下的需求。对某个请求，其上下文可能是日历数据，对另一请求，上下文则可能是邮件记录或网页搜索结果。
在正确的时间提供正确的信息和工具：其核心职责是确保模型不遗漏关键细节（Garbage In, Garbage Out）。这意味着只有在必需且有帮助时才提供知识（信息）与能力（工具）。
注重呈现格式：如何呈现信息很重要。简明扼要的摘要胜过原始数据的堆砌，清晰的工具架构胜过模糊的指令。

4、Summary

构建强大且可靠的 AI 智能体，已经不再需要寻找神奇的提示词或更新模型版本。其核心在于上下文工程，即以正确的格式、在正确的时间提供正确的信息与工具。这是一项跨领域协作的挑战，需要理解业务场景、定义预期输出，并结构化组织所有必要的信息，使 LLM 能够真正“完成任务”。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了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 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。