返回首页
工程实践

Context Engineering：比 Prompt Engineering 更重要的事

Prompt Engineering 的局限

我们花了太多时间在「如何写好一个 Prompt」上，却忽略了一个更本质的问题：模型的输出质量，80% 取决于你喂给它的上下文，而不是你的指令措辞。

这就是 Context Engineering 的核心命题——系统性地构建、筛选、组织和管理 AI 模型所需要的上下文信息。

Context Engineering 的四大支柱

1. 检索增强生成 (RAG)

RAG 已从简单的「向量搜索 + 拼接」进化为多阶段、多模态的智能检索系统。关键实践：

  • Chunking 策略：语义分块优于固定长度分块
  • 混合检索：向量检索 + 关键词检索 + 重排序的三阶段流水线
  • 查询改写：让模型先理解意图，再执行检索

    • 2. 结构化记忆系统

    短期记忆（对话上下文）+ 长期记忆（用户画像、知识库）+ 工作记忆（当前任务状态）——三层记忆架构是构建有效 Agent 的基础。

    3. 上下文压缩与蒸馏

    Token 是有限的资源。如何在有限的上下文窗口中塞入最高密度的有效信息，是一门工程艺术：

  • 摘要链：对长文档进行递归摘要
  • 关键信息提取：只保留与当前任务相关的事实
  • 动态裁剪：根据任务阶段动态调整上下文组成

    • 4. 工具输出的结构化

    Agent 调用工具后返回的原始数据，需要经过格式化、过滤和摘要才能成为有效上下文。一个好的 Context Engineer 会像设计 API Response 一样精心设计工具输出的格式。

    实战：从零搭建 Context Pipeline

    一个典型的 Context Engineering 流水线包含以下阶段：

  • 意图识别 → 理解用户真正想要什么
  • 上下文路由 → 决定需要哪些信息源
  • 并行检索 → 从多个数据源同时获取信息
  • 相关性过滤 → 淘汰低质量或不相关的内容
  • 排序与组装 → 按重要性组织最终上下文
  • Token 预算管理 → 确保不超出窗口限制

    • 结语

    如果说 Prompt Engineering 是「问对问题的艺术」，那么 Context Engineering 就是「提供正确信息的科学」。在 Agent 时代，后者的重要性正在指数级增长。