html5 电商网站布局,源码编辑器下载,wordpress后台admin防止恶意,太原城市建设招标网站随着大语言模型#xff08;LLM#xff09;和代理框架的发展#xff0c;人们越来越意识到「上下文」对代理行为的重要性。代理不仅需要用户的指令#xff0c;还需要外部知识、工具反馈等信息才能完成复杂任务。所谓“上下文工程”就是在有限的上下文窗口内#xff0c;为代理…随着大语言模型LLM和代理框架的发展人们越来越意识到「上下文」对代理行为的重要性。代理不仅需要用户的指令还需要外部知识、工具反馈等信息才能完成复杂任务。所谓“上下文工程”就是在有限的上下文窗口内为代理按步骤提供恰当的信息和工具使其能够有效地完成任务。本文将结合 LangChain、Anthropic 和 Cognition 等团队的经验解释上下文工程的概念、常见策略以及多代理/单代理架构的权衡并对相关链接进行梳理为中文读者呈现一篇关于上下文工程的完整介绍。LangChain 在博客中将上下文工程context engineering定义为构建动态系统为大语言模型提供恰当的信息和工具使其“有可能完成任务”。与早期只靠提示词的“prompt engineering”不同上下文工程强调的是系统性代理的上下文来自开发者、用户、历史交互、工具调用或其他外部数据必须通过系统化的逻辑组合在一起动态性这些上下文通常是实时生成的因此构建最终提示必须具有动态拼接能力正确的信息与工具代理出错往往不是模型能力不足而是缺乏恰当的信息或工具。因此必须保证提供的信息充分且格式合适安德烈·卡帕西Andrej Karpathy用操作系统做了一个类比LLM 就像CPU上下文窗口是RAM工作内存而上下文工程就是决定哪些信息可以放入 RAM 的“调度器”。由于 RAM 容量有限上下文工程需要精心挑选和组织信息以避免溢出。为什么代理需要上下文工程在代理系统中任务往往是多轮对话和工具调用的组合导致上下文越来越长。这会带来两个问题成本与效率长上下文会增加模型的计算成本和延迟并可能导致模型性能下降新的失败模式Drew Breunig 总结了长上下文的四大失败模式上下文污染Context Poisoning幻觉或错误信息进入上下文后被反复引用代理会围绕错误目标做出决策上下文干扰Context Distraction上下文过长导致模型过度关注历史而忽略训练知识反复重复已有行为上下文混乱Context Confusion上下文中无关的内容如过多的工具说明干扰模型使其调用不必要的工具上下文冲突Context Clash上下文中出现相互矛盾的信息时模型难以判断取舍因此仅依靠扩大上下文窗口并不能解决问题反而会引入新的风险。上下文工程旨在通过合理整理、压缩和隔离信息避免上述失败模式。上下文工程的四种策略LangChain 将常见的上下文工程策略分为写入Write、选择Select、压缩Compress和隔离Isolate。这些策略并不是孤立的而是在复杂代理中相互配合使用。1. 写入Write——在上下文之外持久化信息写入策略指将信息存储在上下文窗口之外供未来检索。例如Scratchpad草稿本类似人类做笔记代理通过工具调用将临时信息写入文件或状态对象在任务过程中随时访问。Anthropic 的多代理研究系统会在计划开始前将研究计划写入记忆以防上下文超过 20 万个 token 时被截断anthropic.com。LangGraph 为代理提供了short‑term memory检查点来在会话内保存状态blog.langchain.com。长期记忆Memory有些信息需要跨会话保存例如用户偏好或历史反馈。生成式代理Generative Agents通过定期汇总过去的反馈构建长期记忆。现在的一些产品如 ChatGPT、Cursor 和 Windsurf 也自动生成长期记忆2. 选择Select——从记忆中提取相关信息选择策略是将外部记忆、文件或工具调用结果拉入当前上下文。常见做法包括小样本示例Few‑shot examples作为情景记忆episodic memory帮助代理模仿预期行为指令/规则Procedural memory用于指导代理行为如 Claude Code 中的CLAUDE.md规则文件事实Semantic memory存储知识、实体信息供检索调用在 LangGraph 中开发者可以在每个节点按需检索状态或长期记忆并通过嵌入检索等方式选取最相关的记忆。对于工具选择一些研究表明使用 RAG 技术对工具说明进行检索可以使选择准确率提高 3 倍不同记忆类型一览重点词条避免冗长描述记忆类型存储内容代理示例语义记忆Facts事实关于用户的事实情景记忆Experiences经历过去的代理动作程序记忆Instructions指令系统提示或规则3. 压缩Compress——保留必要的信息压缩策略通过摘要summarization或修剪trimming减少上下文长度摘要通过 LLM 压缩对话历史只保留关键决策。Claude Code 会在上下文超过 95% 时运行 “auto‑compact” 自动摘要。在 Cognition 的代理中还使用专门微调的小模型来压缩代理间的交互以减少知识传递时的 token 数修剪通过启发式方法删掉旧消息例如只保留最近的几轮对话也可以用训练出的Provence模型对检索内容进行句子级别的剪枝它将上下文剪枝任务视为序列标注问题在多领域问答中几乎不损失性能压缩并不是万能的过度摘要可能遗漏关键细节修剪也有风险因此需要结合任务特点谨慎使用。4. 隔离Isolate——拆分上下文以并行处理隔离策略通过分工合作减少单个上下文窗口的压力。例如多代理架构Anthropic 的 Research 系统采用主代理 子代理模式主代理制定研究计划并将任务分配给多个子代理并行搜索子代理拥有自己的上下文窗口并在完成后将结果返回由主代理汇总。该系统在广度优先查询中比单代理效果提升 90% 以上但使用的 token 约是对话模式的 15 倍因此只适用于价值高且可并行的任务分离环境与沙盒Hugging Face 的代码代理通过将代码执行放在沙盒环境中图像或大型对象留在沙盒内返回值再传回 LLM这样可以隔离大量 tokenhuggingfaceOpen-source DeepResearch – Freeing our search agents状态对象在 LangGraph 中开发者可以设计包含多个字段的状态 schema只将messages字段暴露给模型而将其他字段留作环境使用不过Cognition 指出多代理架构容易出现上下文缺乏共享、决策冲突等问题并总结出两个关键原则原则 1共享上下文和完整的代理轨迹原则 2决策隐含偏好冲突会产生坏结果因此在实际应用中应谨慎使用多代理必要时更倾向于线性单代理配合压缩技术。链接内容梳理《The Rise of Context Engineering》LangChainLangChain 在文章中阐述了为什么上下文工程是下一代 AI 工程师最重要的技能。作者指出随着应用从单一提示转向动态的代理系统构建能够动态组织信息、选择工具并以合适格式传递给模型的系统是成功的关键文章强调代理性能差往往是因为缺乏正确的上下文和工具上下文工程包括系统地收集信息、动态构建提示、提供合适工具并保证格式合理blog.langchain.com适当的上下文和工具比花哨的提示词更重要提示工程只是上下文工程的一个子集《Don’t Build Multi‑Agents》CognitionCognitionDevin 团队反对盲目构建多代理系统认为上下文工程才是构建可靠代理的核心。他们指出上下文工程是比提示工程更高级的技能是代理工程师的核心工作多代理架构看似诱人但容易造成误解和冲突。即便给子代理复制完整任务描述也无法避免上下文缺失因为实际任务涉及多轮对话和工具调用任何细节缺失都会影响理解Cognition 总结两条原则共享上下文、共享完整的代理轨迹每个动作都隐含决策冲突会导致坏结果他们建议在多数情况下采用单线程线性代理并通过压缩模型来保留关键信息使长任务也能可靠完成《How we built our multi‑agent research system》AnthropicAnthropic 描述了他们为 Claude 构建研究模式的经验。文章认为多代理系统适合探索性研究等开放性任务。主代理解析用户查询生成计划并创建多个子代理并行搜索信息子代理各自拥有独立的上下文窗口和工具可以探索问题的不同方面再由主代理汇总提供分工明确、各自为政的优点内部评测显示该系统在广度优先问题上比单代理方案提升 90%但成本高昂token 使用量约为对话的 15 倍因此仅适合价值高、可以充分并行的任务他们通过写入计划到记忆来解决上下文截断问题并总结了如何给代理制定合适的提示、合理划分子任务、并行调用工具等提示工程经验《How Long Contexts Fail》Drew BreunigDrew Breunig 指出超长上下文并不一定带来更好的代理。相反过长的上下文会引入污染、干扰、混乱和冲突等问题使代理迷失方向作者分析了每种失败模式的案例并指出需要通过剪枝、工具检索、隔离等方法防止上下文失控。Provence高效稳健的上下文剪枝在 RAG 系统中检索内容往往很长。Provence 将上下文剪枝视为序列标注问题通过统一剪枝与重排序模型、在多样化数据上训练实现了在不同领域几乎不损失性能的剪枝方法这为压缩策略提供了更稳健的算法支持。LangGraph 与 LangSmith 的支持LangGraph 是 LangChain 推出的有向图代理框架旨在让开发者完全控制代理的步骤、状态和上下文。它提供了以下功能检查点与长短期记忆支持在代理会话内持久化状态短期记忆和跨会话保存信息长期记忆方便实现 scratchpad 与记忆功能灵活的状态检索在每个节点中开发者可以从状态对象或长期记忆中检索特定字段并通过自定义逻辑决定哪些信息注入到上下文压缩与修剪提供总结与修剪工具可在代理设计中的特定步骤调用 LLM 或剪枝算法对上下文进行精简多代理与沙盒LangGraph 支持构建多代理系统通过设置不同的节点和状态字段实现隔离并可结合沙盒环境保存大型数据对象LangSmith 则提供了强大的追踪和评测功能可查看代理的每一步输入输出、token 使用情况并评估不同上下文工程策略对性能的影响结论与展望上下文工程是构建可靠 AI 代理的核心它决定了代理能否在有限的工作内存中合理利用指令、知识和工具。本文总结出以下要点上下文工程不仅是提示工程的升级更是将动态系统、工具协作和记忆管理结合在一起的综合工程四大策略写入、选择、压缩、隔离是构建代理时常见的手段需要根据任务特性灵活组合多代理架构优缺点并存并行子代理可扩展能力但会增加成本并带来协调困难需配合共享上下文和压缩技术长上下文不是灵丹妙药随着上下文增长污染、干扰、混乱和冲突现象会加剧剪枝和隔离同样重要对于正在建设代理系统的读者可以从以下方面入手观察代理任务流程确定何时需要写入、选择、压缩或隔离上下文通过工具检索、摘要和剪枝算法控制上下文长度警惕多代理带来的协调与成本问题优先确保共享上下文和决策的一致性使用 LangSmith 等工具观察代理行为及时调整上下文工程策略。随着模型能力和工具生态的发展合理的上下文工程将成为 AI 代理迈向生产级应用的关键。希望本文能帮助你更好地理解这一新兴领域并在自己的项目中应用这些思路。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2026 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2026 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”