随着项目规模不断扩大（数千文件、百万行代码、多业务模块），单靠把所有文件或代码，硬塞进模型上下文，显然是不可行的。为了让模型在大项目里也能稳定运行，我们通常需要构建一套可扩展的上下文工程管理体系。

本文分享五种上下文工程管理策略，可组合使用：

一、基于向量索引的 RAG（Retrieval-Augmented Generation）

做法：

1. 将项目代码按“函数/类/文件片段”切分为 chunk；

2. 每个 chunk 生成 embeddings；

3. 用户请求 → 提取关键词或利用 LLM 进行 query expansion；

4. 从向量库召回最相关的 5～20 个代码片段；

5. 构建上下文 → 输入模型。

优势：

• 模型只处理与“当前任务相关”的代码，而不是全量项目；
• 自动推荐上下文，不依赖开发者手动查找；
• 大型项目也能在秒级响应。

用 LangChain / LlamaIndex / LanceDB / SQLite-vec 即可轻松实现。

二、引入 “层级摘要（Hierarchical Summaries）”

当项目非常庞大时，连向量检索都可能召回过多内容，这时需要逐层抽象的摘要结构：

根摘要

 ├── 模块 A 摘要

 │     ├── 子模块 A1 摘要

 │     │      ├── 文件摘要…

 │     │      └── 类/函数摘要…

 ├── 模块 B 摘要

 …

好处：

模型不需要真正加载代码，而是通过“中间知识层”理解项目结构。

典型使用方式：

• 用户查询 → 先召回“摘要节点”
• 再由摘要节点决定是否需加载对应的源代码 chunk

这类似于给模型提供一个“项目地图”。

三、使用代码依赖图（Call Graph / Import Graph）进行上下文剪裁

RAG 依赖语义相似度，但很多时候代码相关性是结构性的，不是语义的。例如：生成某个 Controller 的代码，需要：

• 路由定义
• 相关 Service 的接口
• DTO / Schema
• 公共工具类

解决方式：

构建一个依赖图，例如：

user_controller → user_service → user_repository → db_connection

然后根据依赖链自动加载上下文。

优势：

• 更精确地限制上下文；
• 对大型工程表现更稳定；
• 能避免 RAG 召回不必要的代码。

此部分可以用 AST + 静态分析实现，如 Python AST、ts-morph、jdt 等。

四、工作流拆解（分步调用而不是一次性搞定）

代码生成/重构大任务，不必一次性投入大量上下文。

推荐方式：Workflows / Multi-turn Planning

例如：

Step1：模型根据需求，规划需要用到的模块

Step2：自动检索对应模块的摘要＋源代码

Step3：只生成对应文件的代码

Step4：模型检查是否需要额外文件 → 如需要再检索下一批上下文

Step5：持续迭代……

这样即使项目再大，模型每次也只处理“小窗口上下文”。

五、使用外部执行器（代码解释器 / 单元运行环境）减少上下文依赖

许多上下文其实不是让模型“看代码”，而是让模型“理解运行效果”。

可以通过执行环境代替上下文：

• 让模型调 Python/Node 环境直接读取文件
• 让模型执行单测获得反馈
• 让模型用工具查看函数签名 / AST
• 用 grep / ripgrep 搜文件，不靠模型阅读

这相当于给模型装上“眼睛和手”，降低对上下文长度的依赖。

总结

项目变大后，不是简单靠大模型上下文撑，而是靠体系化的上下文工程管理系统，其核心思想是：

• 不让模型看全项目
• 让模型只看相关的部分
• 让模型分步骤执行，而不是一口气完成
• 让模型借助外部工具，而不是靠“死记硬背”

这样，无论项目多少文件、多少行代码，系统都能稳定处理。

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

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】