简介

文章介绍了"上下文工程"这一提示词工程的进阶方向，关注"给什么"而非"怎么写"。随着Token增加，模型记忆能力下降，需管理上下文状态。有效上下文工程需清晰提示、精确系统指令、简洁工具设计和适当示例。长期任务可采用压缩、结构化笔记或多智能体架构应对上下文限制。核心原则是找到最小的高信号token集，最大化预期结果概率。

---

把 200 k token塞满很容易，让模型在长上下文仍能够大海捞针却很难。Anthropic 在29号的官方长文里系统梳理了"上下文工程"（Context Engineering）这一新兴方向。本文将其进行技术拆解与压缩，务必让你快速掌握上下文工程。

一、 提示词工程的尽头是上下文工程

提示词工程主要关注的是怎么写，而上下文工程关注的则是给什么。Anthropic认为上下文工程是提示词工程的自然演化：当 Agent 运行多轮、系统指令、工具、MCP、外部数据、消息历史记录不断涌入时，根据大海捞针的测试，随着上下文窗口中Token数量的增加，模型准确回忆该上下文信息的能力会下降。

因此，我们需要制定策略来管理整个上下文状态，所以问题也就从如何写一条好提示升级为如何在每一轮只让模型看到最小充分信息集——这就是上下文工程的新战场。

二、有效上下文工程剖析

提示应清晰、简洁且直接，避免过度复杂的 if-else 逻辑或假设共享上下文。我们建议将提示组织成不同部分（如背景信息、指令等），并用简单的标记语言（如 XML 或 Markdown）加以区分。随着模型功能增强，格式可能变得不那么重要。

• 系统提示

要用最少的信息概括预期行为，这并不等于简短，而是精确。通过初步测试模型的反应，识别问题并调整提示以提高性能。

• 工具的设计

至关重要，既能提升效率，又能避免功能过多导致决策模糊。为 AI智能体构建一个简洁、功能明确的工具集有助于长期稳定地管理上下文。

• 示例的设计

在提供示例时，应避免过度列举边缘情况，转而通过少量多样的标准示例有效引导模型行为。

总的来说，上下文应简明、具体且充实，以确保代理行为符合预期。图见评论区，又吞图了。

三、上下文检索和Agentic检索

在《Building effective agents》中，他们定义了智能体为能在循环中自主使用工具的 LLM。随着模型功能的提升，Agent的自主性逐渐增强，能够独立探索问题并从错误中恢复。如今，许多 AI 应用采用基于RAG的方法为Agent提供重要的推理上下文。

**“即时”情境策略不需要预先处理所有数据，而是通过维护轻量级标识符（如文件路径、查询、Web 链接）来动态加载数据。**这种方法让Agent像人类一样按需检索信息，而不是记住全部数据。通过引用元数据（如文件夹层级、命名约定、时间戳等），Agent能够有效优化行为并逐步发现相关情境。

虽然运行时探索比预检索数据要慢，但合理的工具设计和启发式方法能提高效率。在某些任务中，混合策略（如预检索部分数据并进一步自主探索）可以更有效地平衡速度与自主性。Claude Code 就是采用这种方法，通过预加载文件并实时检索来避免过时索引和复杂语法问题。

所以这就是我一直推崇使用Cline式的主动探索式构建RAG的原因，虽然会牺牲实时性，但是只要前端有一定的反馈，用户体验式不会差的。

对于长期任务，Agent需要跨越上下文窗口的限制。压缩、结构化笔记和多智能体架构是应对这一挑战的技术。

压缩通过总结上下文历史，避免信息过载。

结构化笔记允许代理在上下文窗口外记录关键信息，保持任务一致性。

子代理架构则通过分配任务给专门的子代理，避免单个代理维护过多状态，提高任务处理效率。

这些技术可以根据任务需求灵活选择：压缩适用于对话任务，笔记记录适合迭代开发，而多代理架构则在复杂研究任务中表现优异。

四、总结

上下文工程代表了我们构建 LLM 时的根本转变。随着模型能力的提升，挑战不再仅仅是设计完美的提示，而是如何精心挑选每一步输入模型的关键信息，以最大化结果的可能性。不论是处理长周期任务的压缩、设计高效的工具，还是让代理按需探索环境，核心原则始终不变：找到最小的高信号 token 集，最大化预期结果的概率。

此外，Anthropic还提供了针对《Claude Sonnet 4.5的上下文与记忆管理手册》，大家可以参考一下。

五、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括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免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】