还在写Prompt？AI落地你必须知道Context Engineering

‘’

AI系统好不好用的核心，从来不是你写了什么提示词，而是AI知道了什么。

RAG、微调、数据工程…

AI圈新词一直很多，更新又快，搞得很多人懵懵懂懂，一头雾水。

最近很火的词，上下文工程是什么？

怎么利用上下文技术的把AI应用的用户体验做到更好？ 今天一文带你了解上下文技术的全貌。

2、LLM的基本原理

首先我们需要理解一下LLMs，或者AI的本质。

简单来说，LLMs其实就是一个概率模型。它通过分析海量文本，学习词与词、句与句之间的统计关系，从而在给定上下文的情况下，预测下一个最可能出现的词。比如当我输入“我今天想吃”的时候，LLMs就可以根据概率计算出来，后面可能是“苹果”、”蛋糕“之类的词语，而不太可能是”自行车“。

LLMs概率模型准不准呢？主要来自于他所学习的数据集。比如我用某度贴吧的语料库，训练出来的很可能是一堆暴躁老哥，但如果我用论文数据集，训练出来的就可能是一堆相对严格的科学家。

AI圈子里就有句老话，叫 garbage in ,garbage out 。LLM模型的本质可以理解成一个函数:

输入信息 → LLMs → 输出信息

你输入的数据质量不行，AI就很难给你理想的输出作为结果。

想要Ai应用好用，我们就得保证输入数据的质量。

3、上下文是如何影响大模型的

回到开篇的观点：

“AI好不好用的核心，其实从来不是你写了什么提示词，而是AI知道了什么。"

这个知道了什么，本质上就是Context，上下文。

为什么呢？首先我们要理解人类和AI的差异。当我们和人类聊天的时候，我说：

有点馋了，明天我们去吃饭火锅吧。

人类只记住了两个词：明天，火锅。

机器记住的则是一串长长的token，再对Token的每一个词的权重进行标记，最终存到内存里面。

机器是如何理解这句话的 - Attention Map

人类是基于语义和常识进行抽象理解，而机器则是通过 Token 间的注意力权重计算来建立关联，这种差异决定了上下文对 AI 理解的关键作用。

我们做项目时候用到的各种工具、技术，无论是提示词、RAG、微调等，其实都是为了解决这样一个核心的问题：让AI明确的知道你想做到的是什么。这包括了用户在文中表达的明确的意图，也包括更广泛、更隐形的知识，比如背景、目的、意图、没说出口的潜台词等。

以AI会议助理场景为例：

‘’

AI 助手收到一封邮件：

“明天有没有时间同步一下工作进度？”

传统的Agent客服会回复：

‘’

“收到。我明天有时间，请问您希望具体几点？”

一个中规中矩的回复，回复没什么信息量，稳定但平庸。

”Agent的本质是由丰富的上下文内容驱动的函数。用户输入信息的主要意义是“为大模型完成目标所需的信息做准备”。“

那么升级下思路，我们可以怎么做？

在调用大模型之前，系统可以自动查询上下文、调用以下信息：

• 你的日历信息（显示你全天已满）
• 你与对方过去的邮件往来（判断应使用轻松随意的语气）
• 联系人列表（识别出此人是关键合作伙伴）
• 可用工具（如 send_invite 或 send_email）

有了这些信息后，Agent就能生成自然、精准且主动的回复：

‘’

“王总！我明天全天排满了，一直开到下班。周四上午我有空，您看行吗？ 我已经发了个会议邀请，看看时间是否合适。”

请注意！我们并没有对模型进行任何微调，也没有改变提示词的其他部分！

所以如今的Agent到底好不好用，不是因为更高级的模型或更巧妙的算法，仅仅因为为特定任务提供恰到好处的上下文。

这就是为什么Context Engineering如此重要。

4、回顾提示词工程

那我们怎么在我们的AI工程中使用提示词技术与上下文技术呢？

先回顾一下提示词工程，这个大家都很熟悉：

1. 角色赋予

告诉模型“你是谁”。例如：

‘’

“你是一位资深 Python 开发者，正在审查代码中的安全漏洞。”

这个角色设定会产生完全不同于普通请求的结果。模型会自动采用该角色的专业知识、术语体系和关注重点。

2. 少样本示例（One-Shot Example）

即身教胜于言传。提供 2~3 个输入/输出样例，帮助模型理解你期望的格式、风格或结构。

比如，如果你想要特定字段名的 JSON 输出，那就直接展示字段。

3. 思维链

在强化学习训练出推理模型之前，这是一种非常流行的技巧。

通过添加：

‘’

“让我们一步一步思考。” 或 “请解释你的推理过程。”

迫使模型展示中间步骤，避免跳步得出错误结论。这对复杂逻辑任务尤其有效。

4. 约束

明确划定边界。例如：

‘’

“请将回复限制在100字以内。” “只能使用上述信息作答。”

这类约束能防止模型跑题或编造内容。

5、上下文工程

如果把提示词工程比喻成是描述问题，那上下文工程就是给Agent 搭建舞台：上下文工程为智能体打造一个完整的上下文运行环境。

25年6月末，《The New Skill in AI is Not Prompting, It’s Context Engineering》文章对上下文做出定义：

简单来说：

‘’

上下文工程是一门设计和构建动态系统的学科，旨在以正确的格式、在正确的时间，向大语言模型提供完成任务所需的所有信息与工具。

Context有7个关键指标：

说明/系统提示、用户提示、短期记忆（状态/历史）、长期记忆、检索信息 （RAG）、工具调用、结构化输出。

---

具体来说，其包括以下几个核心组件：

1. 记忆管理

智能体需要记住过去的信息，分为两种：

• 短期记忆：如对话摘要，用于在有限的上下文窗口内保留关键历史。
• 长期记忆：通常借助向量数据库实现，存储用户偏好、过往行程、行为模式等。

2. 状态管理

在一个多步骤任务中，我们需要知道：

“当前进行到哪一步了？”

比如，当 Agent 正在为我安排整个行程时，我想了解：

• 飞机订好了吗？
• 到达时间是多少？以便安排接机。
• 酒店是否已确认？

状态管理确保智能体不会在任务中途“失忆”或重复操作。

3. RAG

这个大家都熟，RAG就是动态知识的来源。RAG 使用混合搜索技术（语义 + 关键词匹配），根据当前上下文精准提取信息。

RAG相当于一个外挂数据库，协助系统精确检索数据，并且可以降低Token的消耗。

4. Tools

LLM 无法对真实世界进行操作。比如：查数据库、调 API、运行代码。

而工具（Tools）恰好可以解决这些问题。

例如：

• 查询 SQL 数据库
• 获取实时房价数据
• 自动部署云服务器

其中包括MCP、Function Calling 等技术。

上下文工程在Tools的调用中，需要：

‘’

设计清晰的工具接口描述，指导 LLM 正确选择和使用工具。

工具描述应包括：

• 功能说明
• 触发条件
• 使用限制

5. 动态提示词

别忘了——提示词工程也是上下文工程的一部分！

你可以从一个基础 prompt 出发，比如：

‘’

“分析安全日志中的异常行为。”

然后在运行时，动态注入以下上下文信息：

• 最近的告警事件
• 已知的误报列表
• 用户权限变更记录

这些变量来自：

• 状态管理
• 记忆系统
• RAG 检索结果

最终形成的 prompt 可能是：

• 80% 来自动态上下文
• 20% 来自静态指令

这才是真正智能化的提示构造方式。

6、结语

要让AI系统真的好用，我们必须从写出一个好Prompt的阶段，转向系统级的上下文工程设计。

套用 IBM Martin Keen 的话:

‘’

Prompt engineering … it gives you better questions.

Context engineering — that gives you better systems

个人简单总结Context Engineering，就一句话：

在正确的时间，以正确的格式，提供正确的信息和工具。

这其实是一个非常系统性、非常综合的要求，需要产品负责人深入的理解企业的的业务场景，明确用户所期望的输出，明确工程的SOP，了解每个环节AI和系统的边界，并结构化地组织所有必要信息。只有这样，大语言模型才能真正的“完成任务”。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！