上下文工程（Context Engineering）是随着大语言模型（Large Language Model, LLM）技术迭代，从“提示工程（Prompt Engineering）”演进而来的系统化AI交互优化技术，核心是通过战略性设计、管理和优化供给AI模型（AI Model）的所有信息，构建适配任务需求的信息生态系统（Information Ecosystem），引导AI产生更精准、可靠、连贯的输出（Output），弥补LLM在长上下文处理（Long Context Processing）中的固有局限（Inherent Limitations），支撑复杂、长期、多轮的AI应用场景（AI Application Scenarios）。
一、核心定义与核心理念
上下文工程（Context Engineering）是指系统性地设计、组织、优化和管理输入给AI模型（AI Model）的各类信息（Various Types of Information），以指导、约束或增强其行为（Behavior）的系统规程（Systematic Procedure），本质是通过控制输入上下文（Input Context）的质量（Quality）、结构（Structure）和顺序（Order），解决LLM注意力预算有限（Limited Attention Budget）、信息衰减（Information Decay）、幻觉（Hallucination）等问题，实现更可靠的智能体决策（Agent Decision-Making）。
其核心理念（Core Philosophy）可概括为：找到“最小的高信噪比信息集合（Minimum High Signal-to-Noise Ratio Information Set）”，在不造成信息过载（Information Overload）的前提下，最大化AI实现预期结果（Expected Outcomes）的可能性——不同于提示工程（Prompt Engineering）“写对一句话”的单一指令优化（Single Instruction Optimization），上下文工程更侧重“设计整个信息生态（Design the Entire Information Ecosystem）”，覆盖AI交互全流程（Full Process of AI Interaction）的信息管理（Information Management）与动态适配（Dynamic Adaptation）。
二、与提示工程（Prompt Engineering）的核心区别
上下文工程（Context Engineering）是提示工程（Prompt Engineering）的进阶形态（Advanced Form），二者在范围（Scope）、持久性（Persistence）、信息源（Information Source）等维度（Dimensions）存在显著差异（Significant Differences），具体对比如下：
| 对比维度（Comparison Dimension） | 提示工程（Prompt Engineering） | 上下文工程（Context Engineering） |
|---|---|---|
| 范围（Scope） | 单一任务的指令优化（Single Task Instruction Optimization） | 整个信息生态系统的管理（Management of the Entire Information Ecosystem） |
| 持久性（Persistence） | 静态，按任务单独创建（Static, Created Separately for Each Task） | 动态，跨对话、跨会话持续演进（Dynamic, Continuously Evolving Across Conversations and Sessions） |
| 信息源（Information Source） | 主要依赖人工编写的提示（Mainly Rely on Manually Written Prompts） | 整合多源信息：提示、检索数据、对话历史、工具输出等（Integrate Multi-Source Information: Prompts, Retrieval Data, Conversation History, Tool Output, etc.） |
| 变化频率（Change Frequency） | 每个任务需重新设计提示（Prompts Need to Be Redesigned for Each Task） | 持续适应交互场景，动态优化（Continuously Adapt to Interaction Scenarios and Dynamically Optimize） |
| 管理工具（Management Tools） | 文本编辑器、基础聊天界面（Text Editors, Basic Chat Interfaces） | RAG系统、向量数据库、内存模块、API链式框架（RAG Systems, Vector Databases, Memory Modules, API Chaining Frameworks） |
三、核心组成要素与五大支柱
（一）核心组成要素
上下文工程的信息体系（Information System）由四大核心要素构成，共同支撑AI的高效交互（Efficient AI Interaction）：
系统指令（System Instructions）：定义AI代理的架构（AI Agent Architecture）、角色（Role）和控制流程（Control Flow），明确AI的行为边界（Behavioral Boundaries）与工作准则（Work Guidelines）；
信息层次（Information Layers）：有序组织用户数据（User Data）、领域专业知识（Domain Expertise）、情境因素（Contextual Factors）和历史背景（Historical Background），确保信息结构清晰（Clear Information Structure）；
动态更新机制（Dynamic Updates Mechanism）：允许上下文根据新输入数据（New Input Data）、交互进度（Interaction Progress）实时调整（Real-Time Adjustment），适配任务变化（Task Changes）；
相关性过滤（Relevance Filtering）：筛选高价值信息（High-Value Information），避免信息过载（Information Overload），优先保留与当前任务相关的内容（Content Relevant to the Current Task）；
验证机制（Validation Mechanisms）：确保上下文信息的准确性（Accuracy）和有用性（Usefulness），减少AI幻觉（AI Hallucination）的产生。
（二）五大核心支柱
上下文工程的实践（Practice）的核心围绕五大支柱（Pillars）展开，构成完整的信息管理体系（Complete Information Management System）：
动态上下文组装（Dynamic Context Assembly）：根据对话或任务进度（Conversation or Task Progress）实时构建上下文（Real-Time Context Construction），包括检索相关文档（Retrieve Relevant Documents）、维护对话内存（Maintain Conversation Memory）、更新用户状态（Update User Status）、整合实时数据（Integrate Real-Time Data），避免静态信息导致的输出偏差（Output Bias Caused by Static Information）；
综合上下文注入（Comprehensive Context Injection）：为模型提供多层级信息（Multi-Level Information），涵盖系统提示（System Prompts）、用户查询（User Queries）、检索文档（Retrieved Documents）、工具输出（Tool Outputs）、对话历史（Conversation History）等，确保AI具备全面的决策依据（Comprehensive Decision-Making Basis）；
多源信息集成（Multi-Source Information Integration）：从用户数据库（User Databases）、对话历史（Conversation History）、外部API（External APIs）、知识库（Knowledge Bases）、结构化/非结构化文档（Structured/Unstructured Documents）等多渠道提取信息（Extract Information from Multiple Channels），丰富上下文的完整性（Completeness of Context）；
相关性优先级排序（Relevance Priority Ranking）：通过多维算法（Multi-Dimensional Algorithms）对信息评分（Score Information），结合相关性（Relevance）、时间性（Timeliness）、业务优先级（Business Priority）、用户偏好（User Preferences），确定信息的呈现顺序（Presentation Order）和权重（Weight）；
灵活的呈现格式（Flexible Presentation Formats）：根据任务需求（Task Requirements）调整信息形式（Adjust Information Formats），如复杂分析用详细分解格式（Detailed Decomposition Format for Complex Analysis）、快速决策用简洁摘要（Concise Summary for Quick Decision-Making）、系统集成用结构化数据点（Structured Data Points for System Integration）。
四、关键技术与实践策略
上下文工程的落地（Implementation）依赖一系列核心技术（A Series of Core Technologies），核心是解决LLM上下文窗口有限（Limited LLM Context Window）、信息衰减（Information Decay）、成本控制（Cost Control）等问题，常用技术与策略如下：
（一）检索增强生成（Retrieval-Augmented Generation, RAG）
RAG是上下文工程中最核心的技术之一，通过在AI生成响应（AI Response Generation）前，动态从外部知识库（External Knowledge Base）检索相关信息（Retrieve Relevant Information）并注入上下文（Inject into Context），替代“将所有信息放入上下文”的模式（Replace the Model of "Putting All Information into Context"），既提升输出准确性（Output Accuracy），又减少上下文占用（Context Occupancy）。其核心组件（Core Components）包括：
文档存储与处理（Document Storage and Processing）：解析多种文件格式（Parse Multiple File Formats），通过智能分块（Intelligent Chunking）将长文档拆解为模型可处理的片段（Break Long Documents into Model-Processable Chunks），再通过嵌入模型（Embedding Model）将文本转换为向量表示（Convert Text into Vector Representations）；
检索机制（Retrieval Mechanism）：结合向量搜索（Vector Search）（语义相似性（Semantic Similarity））、BM25搜索（BM25 Search）（关键词匹配（Keyword Matching））的混合搜索方式（Hybrid Search Method），提升检索准确性（Retrieval Accuracy）；
生成与集成（Generation and Integration）：将检索结果（Retrieval Results）与用户查询（User Queries）结合，构建增强提示（Construct Augmented Prompts），确保AI输出基于事实（AI Output is Based on Facts），减少幻觉（Reduce Hallucinations）。Anthropic研究表明，上下文检索技术（Context Retrieval Technology）可将失败检索率（Failed Retrieval Rate）降低49%，结合重排序（Re-Ranking）可降低67%。
（二）内存系统架构（Memory System Architecture）
针对LLM无状态的局限（Stateless Limitation of LLMs），上下文工程引入持久化内存系统（Persistent Memory System），实现跨对话、跨会话的信息留存（Information Retention Across Conversations and Sessions），支撑长期任务处理（Long-Term Task Processing），核心包括：
内存块（Memory Blocks）：在上下文窗口（Context Window）中预留专门区域（Reserve a Special Area），用于存储用户偏好（User Preferences）、对话状态（Conversation Status）、长期学习成果（Long-Term Learning Outcomes）等，具备大小限制（Size Limitations）、标签描述（Label Descriptions）、访问控制（Access Control）等属性，作为AI的“工作内存（Working Memory）”；
结构化笔记与代理记忆（Structured Notes and Agent Memory）：代理（Agent）定期将关键信息（Key Information）（如任务进度（Task Progress）、架构决策（Architecture Decisions）、未解决问题（Unresolved Issues））写入永久存储（Write to Permanent Storage），需要时再读取回上下文（Read Back into Context），实现内存持久化（Memory Persistence）；
长期任务内存策略（Long-Term Task Memory Strategies）：通过压缩（Compression）（总结对话（Summarize Conversations）、保留关键信息（Retain Key Information））、结构化笔记（Structured Notes）（维护任务进度与目标（Maintain Task Progress and Goals））、多代理架构（Multi-Agent Architecture）（分解复杂任务（Decompose Complex Tasks）、协同完成（Collaborate to Complete）），支撑跨时长的复杂任务（Complex Tasks Across Time Periods）。
（三）上下文压缩与管理（Context Compression and Management）
针对LLM上下文窗口有限（Limited LLM Context Window）、信息过载（Information Overload）的问题，通过多种方式优化上下文占用（Optimize Context Occupancy），降低API调用成本（Reduce API Call Costs）：
信息卸载（Information Offloading）：将冗余重数据（Redundant and Duplicate Data）存储到外部磁盘（Store on External Disks），仅向模型传递摘要或元数据（Only Pass Summaries or Metadata to the Model），可实现100:1的压缩比（Compression Ratio），保持上下文清洁（Keep Context Clean）；
工具结果清理（Tool Result Cleaning）：工具调用完成后（After Tool Call Completion），删除原始输出（Delete Original Output），仅保留关键执行记录（Retain Only Key Execution Records），减少冗余信息（Reduce Redundant Information）；
相关性过滤（Relevance Filtering）：动态计算信息相关性得分（Dynamically Calculate Information Relevance Scores），仅将高信噪比信息纳入上下文（Only Incorporate High Signal-to-Noise Ratio Information into Context），定期修剪过时、无关数据（Regularly Prune Outdated and Irrelevant Data）。
（四）常见问题与解决方案（Common Problems and Solutions）
上下文工程实践中，需应对多种“上下文失效（Context Failure）”问题，核心解决方案（Core Solutions）如下：
上下文窗口限制（Context Window Limitations）：采用智能截断（Intelligent Truncation）、内容压缩（Content Compression）、分块处理（Chunking Processing），或使用滑动窗口技术（Sliding Window Technology），将长文档拆解为可处理片段（Break Long Documents into Processable Chunks）；
信息衰减（Information Decay, Lost in the Middle）：将重要信息前置/后置（Place Important Information at the Front/End）、重复关键点（Repeat Key Points）、用结构化标记突出核心内容（Highlight Core Content with Structured Markers），提升模型关注度（Increase Model Attention）；
上下文中毒（Context Poisoning）：通过验证机制筛选准确信息（Filter Accurate Information Through Validation Mechanisms），明确信息优先级（Clarify Information Priority），避免错误、虚构信息污染上下文（Avoid Contamination of Context by Incorrect or Fictional Information）；
上下文混淆（Context Confusion）：简化工具定义（Simplify Tool Definitions）、明确工具用途（Clarify Tool Purposes），通过层级标记区分信息优先级（Distinguish Information Priority Through Hierarchical Markers），避免功能相似信息干扰模型判断（Avoid Interference of Functionally Similar Information on Model Judgment）。
五、典型应用场景（Typical Application Scenarios）
上下文工程已广泛应用于各类AI场景（Various AI Scenarios），核心是通过精准的上下文管理（Precise Context Management），提升AI在复杂任务中的表现（Improve AI Performance in Complex Tasks），典型场景包括：
智能客服（Intelligent Customer Service）：通过RAG整合产品手册（Product Manuals）、FAQ等知识库（FAQ and Other Knowledge Bases），动态注入用户历史咨询记录（Dynamically Inject User Historical Consultation Records），提升回答准确性（Answer Accuracy）和个性化程度（Personalization Level）；
企业知识问答系统（Enterprise Knowledge Q&A System）：将企业内部文档结构化处理（Structurally Process Internal Enterprise Documents），通过上下文工程构建专属知识库（Build an Exclusive Knowledge Base Through Context Engineering），避免AI幻觉（Avoid AI Hallucinations），实现精准的内部知识检索（Achieve Precise Internal Knowledge Retrieval）；
代码生成与调试（Code Generation and Debugging）：注入项目上下文（Inject Project Context）、API说明（API Documentation）、错误日志（Error Logs）、代码依赖关系（Code Dependencies）等信息，帮助AI理解代码库（Help AI Understand the Codebase），生成符合需求的代码（Generate Code That Meets Requirements）并定位调试问题（Locate and Debug Issues）；
内容创作辅助（Content Creation Assistance）：输入风格模板（Style Templates）、主题关键词（Thematic Keywords）、参考素材（Reference Materials）等上下文，引导AI生成符合要求的文章、文案等内容（Guide AI to Generate Articles, Copywriting and Other Content That Meets Requirements）；
专业领域服务（Professional Field Services）：在法律（Law）、医疗（Medical Care）等领域，结合法规条文（Legal Provisions）、病例数据（Medical Record Data）等专业信息（Professional Information），通过上下文工程确保AI输出合规、准确的建议（Ensure AI Outputs Compliant and Accurate Recommendations Through Context Engineering）。
六、核心设计原则
实践上下文工程需遵循三大核心原则（Three Core Principles），确保信息管理高效（Efficient Information Management）、适配任务需求（Adapt to Task Requirements）：
经济性（Economy）：上下文是有限资源（Limited Resource），优先保留高价值信息（Prioritize Retaining High-Value Information），避免无效信息占用上下文窗口（Avoid Invalid Information Occupying the Context Window），降低调用成本（Reduce Call Costs）；
结构化（Structurality）：采用模块化布局（Adopt a Modular Layout）（如角色定义（Role Definition）、任务目标（Task Objectives）、证据支撑（Evidence Support）），提升模型对信息的理解效率（Improve the Model's Efficiency in Understanding Information）；
可扩展性（Scalability）：通过工具链（Through Toolchains）（如笔记工具（Note-Taking Tools）、终端工具（Terminal Tools）、RAG工具（RAG Tools））灵活适配不同场景（Flexibly Adapt to Different Scenarios），支撑任务复杂度的提升（Support the Improvement of Task Complexity）。
七、总结
上下文工程（Context Engineering）是LLM从“单一任务响应（Single Task Response）”向“复杂智能代理（Complex AI Agent）”演进的核心支撑（Core Support），其本质是“信息的精细化管理（Refined Information Management）”——通过设计合理的信息生态（Design a Reasonable Information Ecosystem）、运用高效的技术工具（Use Efficient Technical Tools）、遵循科学的实践原则（Follow Scientific Practical Principles），最大化LLM的性能（Maximize LLM Performance），规避其固有局限（Avoid Its Inherent Limitations）。随着百万级Token上下文窗口（Million-Level Token Context Window）的普及，上下文工程将成为AI应用开发的核心技能（Core Skill for AI Application Development），推动AI在长期任务（Long-Term Tasks）、专业领域（Professional Fields）、多代理协同（Multi-Agent Collaboration）等场景中实现更可靠、高效的落地（Achieve More Reliable and Efficient Implementation）。
