文章摘要 Context Engineering（上下文工程）是为大模型系统设计、组织和优化上下文信息的工程方法，确保模型在任务执行时获取准确、相关的信息。随着AI应用从单次对话转向复杂系统（如RAG、Agent等），上下文工程的重要性凸显。它解决了上下文不足、过载、污染等问题，涉及上下文窗口管理、记忆系统、压缩技术和隔离策略等核心概念。

本文系统梳理了Transformer架构和大语言模型的发展历程。2017年提出的Transformer通过自注意力机制解决了序列建模的并行化难题，奠定了现代AI的基础架构。随后GPT、BERT、T5分别代表了生成式预训练、双向编码和统一文本转换三大技术路线。2020年后，模型规模扩大催生了"基础模型"概念，ChatGPT等产品使生成式AI进入大众视野。当前AI正向多模态、长上下文、工具调用等方向发

AI Agent是一种能够感知环境、规划步骤、调用工具并动态调整行为的智能系统。相比传统问答式AI，Agent更像"带着工具做事的人"，能拆解复杂任务、调用API、检查结果并持续优化。其核心在于目标导向、环境感知、工具调用、记忆存储和动态规划能力。 2022年后，随着大语言模型(LLM)的发展，AI Agent迎来爆发，关键突破包括ReAct框架、AutoGPT等项目。它解决了单次问答不足、模型无

摘要 Function Calling（工具调用）是大模型根据用户意图生成结构化请求，由外部程序执行真实操作（如API调用、数据库查询等）后再返回结果的机制。它解决了大模型无法获取实时信息、访问私有系统、执行复杂计算等问题，使其从文本生成器升级为自然语言控制层。 核心概念包括工具定义（Tool Schema）、调用请求（Tool Call）、执行结果（Tool Result）和调用策略（Tool

AI Workflow：将大模型能力转化为可靠流程 摘要： AI Workflow通过组织模型、工具和人工步骤形成可重复执行的流程，解决单次prompt的不稳定性问题。它将复杂任务分解为明确步骤（检索、生成、评估等），结合状态管理、路由选择和人工审核，使AI系统能稳定完成真实任务。典型应用包括RAG问答、内容创作、客服工单等场景，通过固定流程保证结果质量，而非依赖单一模型输出。随着AI应用复杂度提

本章主要介绍了推理模型的相关概念，为什么要使用推理模型。

MCP（模型上下文协议）是由Anthropic提出的开放协议，旨在标准化AI应用与外部工具、数据源的连接方式。该协议通过定义host、client、server等核心组件，以及tools、resources、prompts等交互元素，解决了AI生态中集成碎片化、工具复用困难等问题。MCP采用JSON-RPC 2.0作为底层通信协议，支持本地进程和远程服务等多种连接方式。随着Agent应用需求增长和

AI Agent是一种能够感知环境、规划步骤、调用工具并动态调整行为的智能系统。相比传统问答式AI，Agent更像"带着工具做事的人"，能拆解复杂任务、调用API、检查结果并持续优化。其核心在于目标导向、环境感知、工具调用、记忆存储和动态规划能力。 2022年后，随着大语言模型(LLM)的发展，AI Agent迎来爆发，关键突破包括ReAct框架、AutoGPT等项目。它解决了单次问答不足、模型无

AI Agent是一种能够感知环境、规划步骤、调用工具并动态调整行为的智能系统。相比传统问答式AI，Agent更像"带着工具做事的人"，能拆解复杂任务、调用API、检查结果并持续优化。其核心在于目标导向、环境感知、工具调用、记忆存储和动态规划能力。 2022年后，随着大语言模型(LLM)的发展，AI Agent迎来爆发，关键突破包括ReAct框架、AutoGPT等项目。它解决了单次问答不足、模型无

摘要 Function Calling（工具调用）是大模型根据用户意图生成结构化请求，由外部程序执行真实操作（如API调用、数据库查询等）后再返回结果的机制。它解决了大模型无法获取实时信息、访问私有系统、执行复杂计算等问题，使其从文本生成器升级为自然语言控制层。 核心概念包括工具定义（Tool Schema）、调用请求（Tool Call）、执行结果（Tool Result）和调用策略（Tool