说实话，这两年AI发展得太快了，感觉每天都有新概念蹦出来。还记得去年大家都在热议"提示工程"吗？现在Anthropic提出了一个更重要的概念——上下文工程（Context Engineering）。

这事儿挺有意思的，让我跟大家分享一下我最近的学习心得。

什么？AI也有"注意力预算"？

我们先来理解一下为什么突然需要关注"上下文工程"。

Anthropic的研究发现了一个很有趣的现象：上下文衰减（Context Rot）。简单来说，就是当给AI的信息越来越多时，它的"记忆力"会变得越来越差。

这就像我们人类一样，如果一次性给你太多信息，你也会开始混乱，忘记重要的内容。AI也有一个"注意力预算"，每个新的token都会消耗这个预算，所以我们必须精打细算地使用。

从提示工程到上下文工程

我觉得这个转变特别重要。提示工程关注的是如何写好一个提示词，而上下文工程关注的是整个信息生态系统的设计。

让我用一个简单的比喻来解释：

• 提示工程就像是给你一份详细的指令手册

• 上下文工程则是为你打造一个完整的工作环境，包括工具、资料、历史记录等

根据我找到的资料，上下文工程包括：

• 系统指令和行为规则

• 对话历史

• 用户偏好

• 实时API数据

• 文档和知识库

• 工具定义

• 格式指导

这确实比单纯的提示工程复杂得多，但也更接近AI Agent的实际工作方式。

如何设计有效的上下文

Anthropic在文章中提到了几个关键原则，我觉得特别实用：

1. 系统提示要恰到好处

这就像是在给AI设置"工作状态"，既不能太复杂（容易出错），也不能太简单（缺乏指导）。

建议把系统提示分成不同的部分：

• 角色定义

• 任务描述

• 工具指导

• 输出格式

2. 工具设计要精简高效

工具就像是AI的"手脚"，设计得好不好直接影响效果。

我发现一个很常见的问题：很多团队会提供太多功能重叠的工具，反而让AI不知道该用哪个。如果人类工程师都不能明确说清楚在什么情况下用哪个工具，那么AI Agent也不可能会做得更好。

3. 示例要精心挑选

给AI看示例就像给它"教科书"，关键是质量而不是数量。与其堆砌大量边缘案例，不如精心挑选几个典型的例子。

动态上下文检索：让AI自主探索

这个概念我觉得特别酷。传统的做法是把所有可能需要的信息都预先加载到上下文中，但这样会占用宝贵的"注意力预算"。

新的思路是让AI Agent像人类一样，只在需要时才去查找信息。比如：

• 保留轻量级的标识符（文件路径、存储查询、网页链接等）

• 在运行时动态加载数据

• 利用文件系统层次结构、命名规范等元数据来理解信息

Anthropic的Claude Code就是用这种方式处理大型数据库的。模型可以编写针对性的查询，存储结果，然后使用head和tail等命令来分析大量数据，而不需要将完整的数据对象加载到上下文中。

长时间任务的上下文管理

对于需要长时间运行的任务（比如代码库迁移、综合研究项目），上下文窗口的限制就成了大问题。Anthropic提出了几种解决方案：

1. 压缩（Compaction）

当上下文窗口快满时，对对话内容进行总结和压缩，然后用这个摘要重新开始新的上下文窗口。

这就像是我们读完一本书后，会做一个读书笔记，然后带着这些笔记继续学习下一本书。

（就像claude code的 /compact命令一样）

2. 结构化笔记（Structured Note-taking）

让AI Agent定期写笔记，这些笔记保存在上下文窗口之外，需要时再调用回来。

这个技术让我想起了Claude玩宝可梦的例子。Agent会精确跟踪数千个游戏步骤中的各种数据，比如"在路线1训练了1234步，皮卡丘获得了8级，距离目标10级还差2级"。它还会绘制探索区域的地图，记住解锁的关键成就。

3. 多Agent架构

与其让一个Agent试图维护整个项目的状态，不如使用专门的子Agent来处理特定的任务。主Agent负责高层规划，子Agent负责深度技术工作。

这种方法在复杂研究任务中显示出明显优势，每个子Agent都可以深入探索，但只返回精炼的摘要。

这对我们意味着什么？

看到这些发展趋势，我觉得既兴奋又有点压力。一方面，AI的能力越来越强，另一方面，我们也需要不断学习新的思维方式。

上下文工程不仅仅是技术问题，更是一种思维方式的转变。我们需要从"如何告诉AI做什么"转向"如何为AI创造一个能自主工作的环境"。

实用建议

根据Anthropic的经验和我的理解，给大家几点建议：

1. 从小处开始：先用最简单的模型测试基本功能，然后逐步增加复杂性

2. 关注信号质量：不要堆砌信息，要找到那些真正能帮助AI做出正确决策的关键信息

3. 让AI自主探索：给AI合适的工具，让它能够根据需要自主获取信息

4. 考虑长期任务：如果Agent需要长时间工作，要设计合适的记忆和上下文管理策略

5. 保持简单："做最简单有效的事情"仍然是最好的建议

上下文工程代表了AI开发方式的根本转变。随着模型变得越来越强大，挑战不再是如何编写完美的提示词，而是如何在每个步骤中精心策划进入模型有限注意力预算的信息。

说实话，这个领域还在快速发展，但我觉得这种"思维方式的转变"是最重要的。我们需要学会像 architect 一样思考，而不是像操作员一样思考。

AI Agent的未来不在于我们给它们多少指令，而在于我们为它们创造了什么样的工作环境。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发