A Survey of Context Engineering for Large Language Models

一、主要内容总结

本文是一篇关于大型语言模型（LLMs）上下文工程（Context Engineering）的综述，系统梳理了该领域的研究现状、核心技术和未来方向，主要内容包括：

1. 上下文工程的定义与意义：指出LLMs的性能本质上由推理时提供的上下文信息决定，上下文工程超越了简单的提示设计，是对LLMs信息 payload（信息负载）进行系统优化的正式学科，旨在解决LLMs的固有局限（如上下文长度约束、幻觉问题等），提升性能、优化资源利用。

2. 核心分类框架：提出了一个综合分类法，将上下文工程分为两大模块：

   • 基础组件（Foundational Components）：包括上下文检索与生成（Context Retrieval and Generation，如提示生成、外部知识获取）、上下文处理（Context Processing，如长序列处理、自优化、结构化信息整合）、上下文管理（Context Management，如记忆层次结构、压缩、优化）。
   • 系统实现（System Implementations）：包括检索增强生成（RAG，如模块化、智能体化、图增强架构）、记忆系统（Memory Systems，支持持续交互）、工具集成推理（Tool-Integrated Reasoning，用于函数调用和环境交互）、多智能体系统（Multi-Agent Systems，协调通信与编排）。

3. 关