大家好，我是玄姐。
以下是决定 AI 应用输出质量的大致占比：
模型选择：15%
提示词设计：10%
其他所有因素（检索、记忆、工具、查询处理）：75%
很多团队都在纠结那无关紧要的 25%，却忽视了真正的关键所在。这也正是 “上下文工程（Context Engineering）” 悄然成为当今 AI 应用工程领域最重要技能的原因。它是一门在正确的时间、以正确的格式，向模型提供正确信息的艺术。如下图所示，它包含六大核心组件：
1. 提示词技术（Prompting Techniques）
这是大多数人会停留的阶段，但即便如此，其深度也远超人们的认知。
传统提示词技术基于模式识别：你给模型提供示例，它就能学习你想要的格式、风格和逻辑。对于结构化任务，少样本提示词（Few-shot prompting）依然效果显著。
而高级提示词技术才是真正的亮点所在。
像思维链提示词（Chain-of-thought prompting）这样的技术，能给模型留出 “思考空间”。不直接要求模型给出答案，而是让它一步步推理，这个简单的改变能大幅提升复杂问题的求解准确率。
2. 查询增强（Query Augmentation）
用户在写查询时往往很 “懒惰”。
当有人输入 “我的 API 调用一直失败，该怎么解决？” 这样的问题时，对于检索系统来说几乎毫无用处。
查询增强通过多种技术解决这一问题：
查询增强技术 | 核心作用 |
|---|---|
查询重写（Query Rewriting） | 利用大语言模型（LLM）将模糊的问题转化为清晰、精准的表述（混乱→规整） |
查询扩展（Query Expansion） | 添加相关术语和同义词，扩大检索范围（拓宽搜索网） |
查询分解（Query Decomposition） | 将复杂问题拆分为可独立解答的子问题 |
查询智能体（Query Agents） | 利用智能体根据初始结果动态决定如何重新构建查询 |
示例：“API 调用失败怎么办？”→ 扩展为 “API 调用失败原因：认证问题、速率限制、超时、人工智能神经网络相关故障”
3. 长期记忆（Long-Term Memory）
假设一个代理和用户进行了一场愉快的对话，用户分享了自己的偏好、相关背景和历史信息，但会话结束后，这些信息就全部丢失了。
长期记忆通过外部存储解决这一问题：
向量数据库（Vector Databases）：存储过往交互的嵌入向量，用于语义搜索。
图数据库（Graph Databases）：以关系和实体的形式存储对话内容。
记忆的类型也至关重要：
情景记忆（Episodic memory）：记录特定事件
语义记忆（Semantic memory）：留存关于用户的通用事实
程序记忆（Procedural memory）：记录用户偏好的操作方式
Mem0/Zep/MemOS/Cognee 等开源工具让这一切变得触手可及，你无需从零构建。
4. 短期记忆（Short-Term Memory）
短期记忆本质上就是对话历史。这一点看似显而易见，但往往管理不当。很多团队会在以下方面出错：
向上下文窗口中塞入过多信息（噪音掩盖信号）
信息包含不足（模型缺乏关键数据）
排序不合理（重要上下文被埋在末尾）
对长对话没有总结策略
5. 知识库检索（Knowledge Base Retrieval）
大多数团队会将其等同于检索增强生成（RAG），但这过于狭隘了。RAG 只是其中一种模式，而非全部。
真正的核心问题是：如何将你的 AI 与企业数据连接起来？
这些知识分散在各个角落：文档、维基百科、数据库、Notion 和 Google Drive 等 SaaS 工具、API 以及代码仓库 等等。
检索流水线包含三个层面：
检索前（Pre-Retrieval）：如何拆分文档？保留哪些元数据？如何处理表格和结构化数据？如何保持所有信息同步？
检索中（Retrieval）：选择哪种嵌入模型？采用何种检索策略（向量搜索或结合 BM25 的混合搜索）？如何重新排序结果？
增强（Augmentation）：如何格式化检索到的上下文？如何包含引用来源？如何处理矛盾信息？
Airweave 等开源工具提供了端到端的解决方案。无需为每个数据源构建自定义连接器，你只需同步知识库，就能统一访问 Notion、Google Drive、数据库等各类数据。
传统 RAG 流水线 | 智能体驱动的上下文工程 |
|---|---|
硬编码的索引和检索流程 | 为智能体打造的双时间语义知识层 |
查询 → 数据源 A 连接器 → 向量 → 向量数据库 → 上下文 → 最终响应 | 查询 → Airweave → 关键词扩展 + 向量 → Airweave 向量数据库 → 重新排序 → 上下文 → 最终响应 |
（需为数据源 B、C 重复构建连接器） | （统一对接所有数据源） |
无需更换模型，只需优化文档拆分策略或妥善同步知识来源，检索质量就能提升 10 倍。
6. 工具与智能体（Tools and Agents）
工具能拓展模型的能力边界，如果没有工具，模型只能依赖自身权重和上下文窗口中的信息。
而智能体则负责决定何时以及如何使用这些工具。
智能体基本工作流程如下：查询 → 思考 → 行动 → 观察 →（重复直至达成目标）→ 响应
单智能体架构（Single-agent architecture）：适用于简单任务，大多数聊天机器人和辅助工具都属于这一类。
多智能体架构（Multi-agent architecture）：更适合复杂工作流。由多个专业智能体协作完成，例如一个负责调研、一个负责撰写、一个负责审核，它们之间相互协作、移交工作。
智能体通信协议（MCPs）则将这一模式推向了新高度！
智能体通信协议（MCP）的强大之处：
传统工具集成需要建立 N×M 个连接点：如果有 3 个模型和 4 个工具，就需要 12 个集成点。
而 MCP 将其简化为 N+M 个连接点，模型和工具都只需对接一个标准协议层。
核心洞察
曾经，提示词工程让人们误以为 “魔法” 在于编写完美的指令。
而上下文工程则揭示了真正的 “魔法” 在于整个信息流水线：
你提供什么样的上下文？
这些上下文来自哪里？
如何检索、筛选和格式化这些上下文？
模型能通过工具完成哪些操作？
它能跨会话记住哪些信息？
我们制作的可视化图表详细拆解了今天讨论的六大组件：
如果你在 2026 年构建 AI 应用，这正是你需要的核心思维框架。
好了，这就是我今天想分享的内容。如果你对构建企业级 AI 原生应用新架构设计和落地实践感兴趣，别忘了点赞、关注噢~
—1—
加我微信
扫码加我👇有很多不方便公开发公众号的我会直接分享在朋友圈，欢迎你扫码加我个人微信来看👇
加星标★，不错过每一次更新！
⬇戳”阅读原文“，立即预约！
