上下文工程实践指南
欢迎来到 《上下文工程实践指南》！这是一本深入理解和实践上下文工程的完整指南，将帮助您构建真正有效的 AI 代理系统。
✏️什么是上下文工程
上下文工程的定义：是在有限的上下文窗口中，选择、组织并注入与用户输入或任务高度相关的信息，从而让大语言模型（LLM）能够在合理的边界内做出最佳推理和执行。
上下文工程中最关键的是：用最相关的信息填充 LLM 的上下文窗口
如何为"用户输入"找到最相关的信息，是这个上下文工程系统的入口，也是衡量整个系统价值的核心指标，但这种"相关性"的实现并不会自然而然发生，它依赖开发者去设计、构建与优化整个系统。
与其他技术的区别
与 RAG 的区别： RAG 是上下文工程中的一个子集
与提示词工程的区别： 提示词工程是专注于 LLM 最前置的正确指令艺术，其主要是：
https://x.com/karpathy/status/1937902205765607626?ref=blog.langchain.com✏️为什么上下文工程重要
🌟🌟
上下文工程架构
.DlId3wgl.png)
上下文工程的核心由七种上下文组成，同时根据七种上下文可以延伸出来系统或者 Agent 中真正需要构建的模块是哪些，这些模块都是围绕上下文工程来构建的，这个时候我们可以知道构建 Agent 或者大模型应用时，需要哪些基础的技术。
其中最关键的，也是最特别的部分是：相关上下文，这个对于开发者来说是最有挑战性的，这个变动性是最大的，每一个 Agent 或许都有属于自己独特的相关上下文模块设计的架构。
相关上下文的应用场景
相关上下文是围绕用户输入的背景知识，是帮助大模型更好的回答用户输入的问题，例如：
- 在一个编码 Agent 中：一段代码问题是用户的输入，那么根据代码库检索到的这段用户输入相关的代码片段，代码文件，代码关系就是相关上下文
- 在一个客服 Agent 中：客服手册，常见问题集合，回复规范这些都可以是用户输入的相关上下文
- 在一个医疗问诊 Agent 中：用户输入"描述自己最近的症状"，那么用户病例、药物使用史，体检报告解释相关上下文
- 在一个项目管理 Agent 中：用户输入"我们项目 X 的进度怎么样"，那么项目文档，任务进度，周报等就是相关上下文
RAG 只是相关上下文实现的其中一种技术手段，其实还有更多的实现方式，例如：组合记录、标签检索，日期检索等。
相关上下文和用户记忆的获取都使用了 RAG（增强检索技术），但是它们的侧重点不同：
- 相关上下文的侧重点是"用户输入"的相关背景知识
- 用户记忆的侧重点是"用户"的相关数据
然而，一个 Agent 并不需要同时使用全部七种上下文。不同的场景、不同的目标，往往只需要其中的若干种组合就能发挥很好的效果。这需要开发者们进行选择。
上下文组成
.CF2cPDP4.png)
上下文由以下七种类型组成：
- 系统提示词：遵守一些提示词工程的要求定义的提示词，例如：期望输出，结果限制，任务要求
- 问题相关上下文：解决和回答这个问题想要的背景知识
- 用户记忆：和用户相关的知识，例如：用户年龄，用户的习惯，用户的偏好等
- 工具定义和输出：提供相应的工具或者 MCP 给模型调用
- 会话历史记录：一个会话窗口的历史聊天记录
- 结构化输出：对于大模型输出的结果有格式的要求：例如：JSON，XML，CSV ，TSV 等
- 用户输入：用户在当前对话中输入的原始问题或指令，是整个上下文工程的起点
🚀 开始学习
本指南将带您从理论到实践，全面掌握上下文工程的核心技术。每一章都包含详细的理论讲解、实践案例和代码示例，让您能够构建出高效的 AI 代理系统。
阅读本指南的过程，就像是一场探索之旅：从地基到高楼，从理论到落地，每一步都将为您后续的工程实践提供坚实的支撑。