上下文工程（Context Engineering）

核心概念

定义

• 管理与优化输入给语言模型的上下文内容，使其高效完成任务

本质

• 自动化、系统化的 Prompt Engineering

目标

• 避免冗余与过长，提升模型判断准确性

上下文组成

用户指令（User Prompt）

• 明确、具体的任务描述

系统提示（System Prompt）

• 模型身份、风格、知识截止时间等设定

对话历史

• 短期记忆，维持多轮对话连贯

长期记忆

• 用户偏好与过往交互记录

搜索结果（RAG）

• 检索增强生成：外部知识补充

工具使用说明与结果

• 调用搜索、计算、日历等工具及其返回

模型自我思考过程

• 深度思考模型的内部推演步骤

必要性

输入长度限制（Context Window）

• 过长输入→模型理解力下降

中间遗忘效应

• 模型对上下文中间部分记忆薄弱

挤牙膏式提问

• 分次追加降低整体表现

上下文腐烂（Context Rot）

• 混淆、遗忘、复制错误

三大套路

选择（Selection）

• RAG
  • 先检索后生成，仅输入相关片段
• 关键词提取
  • 自动抽取核心搜索词
• 句子级筛选
  • 只保留高相关句子
• 工具筛选
  • 动态挑选当前任务所需工具
• 记忆筛选
  • 提取与任务相关的历史记忆
  • 正面示例优先，避免负面示例干扰

压缩（Compression）

• 摘要
  • 长对话→几句话核心
• 递归压缩
  • 每100轮交互自动总结一次
• 硬盘+RAG
  • 冷数据落盘，需要时再检索
• 线索式摘要
  • 保留“详情见某文件”等指针
  • 适用于Computer Use场景，过滤无效操作记录

多智能体（Multi-Agent）

• 任务分片
  • 每Agent只处理子任务
• 示例
  • 行程规划Agent、订餐厅Agent、订旅馆Agent
• 总Agent
  • 仅汇总结果，不存储细节
• 优势
  • 上下文更短、更清晰，适合复杂任务

实用速查表

回答不准

• 检查缺失关键信息

混乱出错

• 精简过长过杂上下文

记不住

• 启用RAG或长期记忆

复杂任务

• 采用Multi-Agent分工

记录冗余

• 摘要压缩，仅留关键结果