LLM应用新趋势：告别“提示词工程”，拥抱“上下文工程”。构建自动化信息流水线，打造LLM的“超级输入”，实现更可控、更高效的AI应用。
原文标题：登上热搜！Prompt不再是AI重点，新热点是Context Engineering
原文作者：机器之心
冷月清谈：
怜星夜思：
2、文章提到了RAG（检索增强生成）和智能体是上下文工程的工具。那么，这两种方法分别适用于哪些场景？它们的优缺点是什么？
3、文章强调了上下文工程的实践方法论，即"从后往前规划，从前往后构建"。那么，在实际操作中，如何有效地进行"测试"，以确保系统的各个环节都正常工作？有哪些常用的评估指标？
原文内容
编辑：+0
最近「上下文工程」有多火？Andrej Karpathy 为其打 Call，Phil Schmid 介绍上下文工程的文章成为 Hacker News 榜首，还登上了知乎热搜榜。
之前我们介绍了，今天我们来聊聊实操。
为什么关注「上下文工程」
我们很容易将 LLM 拟人化——把它们当作能够「思考」、「理解」或「感到困惑」的超级助手。从工程学的角度来看，这是一个根本性的错误。LLM 并不具备信念或意图，它是一个智能的文本生成器。
更准确的看法是：LLM 是一个通用的、不确定的函数。这个函数的工作方式是：你给它一段文本（上下文），它会生成一段新的文本（输出）。
-
通用：意味着它能处理各种任务（如翻译、写代码），无需为每个任务单独编程。
-
不确定：意味着同样的输入，每次可能得到稍有不同的输出。这是它的特点，不是毛病。
-
无状态：意味着它没有记忆。你必须在每次输入时，提供所有相关的背景信息，它才能「记住」对话。
这个视角至关重要，因为它明确了我们的工作重心：我们无法改变模型本身，但可以完全控制输入。所有优化的关键，在于如何构建最有效的输入文本（即上下文），来引导模型生成我们期望的输出。
「提示词工程」一度很火，但它过于强调寻找一句完美的「魔法咒语」。这种方法在真实应用中并不可靠，因为「咒语」可能因模型更新而失效，且实际输入远比单句指令复杂。
一个更精准、更系统的概念是「上下文工程」。
两者的核心区别在于：
-
提示词工程：核心是手动构思一小段神奇的指令，如同念咒。
-
上下文工程：核心是构建一个自动化系统，像设计一条「信息流水线」。该系统负责从数据库、文档等来源自动抓取、整合信息，并将其打包成完整的上下文，再喂给模型。
正如 Andrej Karpathy 所说，LLM 是一种新型的操作系统。我们的任务不是给它下达零散的命令，而是为它准备好运行所需的所有数据和环境。
上下文工程的核心要素
简单说，「上下文工程」就是打造一个「超级输入」的工具箱。我们听到的各种时髦技术（比如 RAG、智能体），都只是这个工具箱里的工具而已。
目标只有一个：把最有效的信息，用最合适的格式，在最恰当的时机，喂给模型。
以下是工具箱里的几种核心要素：
-
指令：下达命令这是最基础的，就是直接告诉模型该做什么。比如命令它「扮演一个专家」，或者给它看几个例子，让它照着学。
-
知识：赋予「记忆」 模型本身没有记忆，所以我们要帮它记住。在聊天机器人里，就是把聊天记录一起发给它。如果记录太长，就做个「摘要」或者只保留最近的对话。
-
工具：
-
检索增强生成 (RAG)：给它一本「开卷考试」用的参考书为了防止模型瞎说（产生幻觉），我们可以让系统先从我们自己的知识库（比如公司文档）里查找相关资料，然后把「参考资料」和问题一起交给模型，让它根据事实来回答。
-
智能体：让它自己去「查资料」
这是更高级的玩法。我们不再是提前准备好所有资料，而是让一个聪明的「智能体」自己判断需要什么信息，然后主动使用工具（比如上网搜索、查数据库）去寻找答案，最后再汇总起来解决问题。
总而言之，所有这些技术，无论简单还是复杂，都是在回答这一个问题：「怎样才能给模型打造出最完美的输入内容？」
上下文工程的实践方法论
使用 LLM 更像做科学实验，而不是搞艺术创作。你不能靠猜，必须通过测试来验证。
工程师的核心能力不是写出花哨的提示，而是懂得如何用一套科学流程来持续改进系统。这套流程分两步：
第一步：从后往前规划（定目标 → 拆任务）
从你想要的最终结果出发，反向推导出系统的样子。
-
先想好终点：明确定义你希望 LLM 输出的完美答案是什么样的（内容、格式等）。
-
再倒推需要什么原料：要得到这个完美答案，LLM 的输入（上下文）里必须包含哪些信息？这就定义了你的系统需要准备的「原料包」。
-
最后设计「流水线」：规划出能够自动生产这个「原料包」的系统。
第二步：从前往后构建（搭积木 → 总装）
规划好后，开始动手搭建。关键是：搭好一块，测一块，最后再组装。
-
先测试「数据接口」：确保能稳定地获取原始数据。
-
再测试「搜索功能」：单独测试检索模块，看它找资料找得准不准、全不全。
-
然后测试「打包程序」：检查那个把所有信息（指令、数据）组装成最终输入的程序是否正常工作。
-
最后才进行「总装测试」：当所有零件都确认无误后，再连接起来，对整个系统进行端到端测试。这时，你可以完全专注于评估 LLM 的输出质量，因为你知道它收到的输入肯定是正确的。
核心思想就是：通过这种「先规划、后分步搭建和测试」的严谨流程，我们将使用 LLM 从凭感觉的艺术，变成了有章可循的工程科学。
实践
更具体的实践方法，大家可以参考 Langchain 最新的博客和视频，里面详细介绍了上下文工程当前主流的四大核心方法，并展示了 LangChain 生态中 LangGraph 和 LangSmith 如何助力开发者高效实施上下文工程。
-
博客地址： Context Engineering for Agents
-
视频地址： Context Engineering for Agents (LangChain)
参考链接：
https://ai.intellectronica.net/context-engineering
https://blog.langchain.com/context-engineering-for-agents/
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：[email protected]