"上下文工程"是Karpathy提出的概念，指精心设计填充上下文窗口的艺术与科学。它区别于面向用户的提示词工程，是面向开发者的技能。上下文工程涉及动态感知任务需求、组织信息结构、控制token编排，需要科学方法和艺术直觉。文章介绍了LangChain提出的四大策略：写入、筛选、压缩、隔离，以及四种常见问题及解决方案。随着AI Agent发展，上下文工程已成为决定应用成败的核心能力。
继 Vibe Coding 火了之后，Andrej Karpathy 又带火了一个词——Context Engineering。
Context Engineering 翻译成中文就是：「上下文工程」**。**Karpathy 大神更是毫不吝啬地表示：
「上下文工程」是一门精心设计填充上下文窗口的艺术与科学。
Andrej Karpathy 作为 AI 领域的标志性人物，他一直都很善于用贴近开发者直觉的语言，去定义一些复杂技术的核心变化趋势，比如 “Software 2.0”、 “Software 3.0”、“Vibe Coding”，还有最近提出的新概念“Bacterial Programming”（细菌编程），基本上是提一个火一个。
Karpathy 对此回复说：
“哈哈我不是在发明新词，只是觉得人们对‘prompt’的理解太过简单化，低估了其复杂性。”
没错，「上下文工程」并不是一个新概念，而是随着 2025 年 AI Agent 的爆火，业内逐渐形成的一种共识。
前段时间我们发了一篇「多智能体构建」的文章，里面也谈到了上下文工程的重要性。
按照我的理解，它目前还是一个“时髦”但“定义模糊”的词。
如果你要想搞明白「上下文工程」，一定绕不开「提示词工程」。这张图足以代表当下两者的变化趋势。
“Prompt”这个词，大家一听，就能到联想到随便让 ChatGPT 干点事，比如“解释一下什么是量子力学”这种简单的提示，再复杂一点的 prompt，加入任务说明、给几个示例、定义输出规则，核心是尽可能清晰地表达你的需求。
但如果你是要开发一个应用，那就不是一句 prompt 的事了，而是需要精心地去构建上下文（context）**，**这样大模型才能完成复杂、定制化的任务。
简单一句话，你可以这么理解：
“提示工程”是面向用户的，而“上下文工程”是面向开发者的。
可能会有人针锋相对，不就是换了个名字，不，名字非常重要。因为语言塑造思想。
包括 Shopify 的 CEO Tobi Lütke 也站在“正名”的一方，认为“上下文工程”胜过“提示工程”，应该为任务提供所有的背景信息。
为什么 Andrej Karpathy 说上下文工程(Context Engineering)是一门精妙的艺术与科学？
先来说说为什么是“科学”的？
最近谷歌长上下文预训练联合负责人 Nikolay Savinov 接受了一期博客的采访，谈到了智能体（Agent）与上下文（Context）之间深层的共生关系。我觉得放在这里理解非常合适。
他提到 Agent 扮演着“双重角色”：
- 一方面，它是上下文的消费者。想象一个 Agent 正在完成“规划五天东京旅行”这样的复杂任务，它必须持续记住诸如“机票已订”“正在比价酒店”“还需补全行程”等状态信息。如果没有长上下文的支持，它每问一句就失忆一次，根本无法形成连贯的任务流。而上下文正是它必备的“记忆硬盘”。
- 另一方面，它又是上下文的创造者。现实中，用户并不会把所有背景信息都手动打包好喂给 Agent ——预算、时间偏好、过往搜索记录、地理偏好等等。这时候，Agent 的“工具使用能力”就显得尤为关键。它会主动调用搜索、日历、航旅 API 等工具，获取原始信息，并通过过滤、提炼、结构化处理，把这些原材料动态拼装成一份高质量的上下文，反哺给大模型使用。
所以，Agent 依赖上下文“活着”，又通过工具主动构建上下文，反过来让模型更“聪明”。这，正是「上下文工程」成为一门科学的根本原因。
不是简单的 prompt 写作或拼数据，而是关于如何动态感知任务需求、组织信息结构、控制 token 编排、平衡输入输出的一整套方法论。
用更接地气的方式，给上下文工程下一个定义：
它是一门设计和构建动态系统的学问，其唯一目标是：在正确的时间、以正确的格式，向大模型精准“投喂”完成任务所需的一切信息和工具。
Karpathy 总结上下文设计要包含：
- 任务说明（task instructions）
- 示例（few-shot examples）
- 检索补充内容（RAG）
- 多模态信息
- 外部工具/函数
- 当前状态与历史上下文
- 上下文压缩与优化（compacting）
考虑太少，模型不理解任务；放太多或不相关，成本升高、性能下降。这是一门科学的技术活。
Google DeepMind 的高级 AI 关系工程师 Philipp Schmid 在他最新的一篇博客里也把上下文工程拆成多个组成模块，包括：
- 系统提示 / 系统指令：定义行为、规则、例子
- 用户提示：当前问题或任务
- 短期记忆 / 对话历史：当前会话内容
- 长期记忆：跨 session 的用户偏好、项目信息
- 检索信息（RAG）：动态抓取文档、数据库或 API 的内容
- 可用工具：如 search、send_email 等函数定义
- 结构化输出：规定格式，如 JSON、表格
而且归纳出核心具备四大特征：
- 它是一个动态系统，而非静态字符串。上下文不是一个写死的“模板”，而是在调用 LLM 前，由 Agent 根据实时需求动态拼装的结果。它是有生命力的。
- 它按需生成，而非一成不变。这个请求，上下文可能是你的日程表；下一个请求，可能就需要最新的网页搜索结果或一封关键邮件。它是“千人千面、千时千面”的。
- 它精准投喂信息与工具，而非信息轰炸。核心是“刚刚好”，避免“垃圾进、垃圾出”。只提供任务真正需要的信息和能力，多一分都是干扰。
- 它极度重视格式，而非“生肉”数据。与其粗暴地丢给模型一堆原始日志，不如给它一段提炼后的摘要；一个结构清晰的工具调用指令，远胜过一段模糊的自然语言描述
但是，在实际 LLM 应用/Agent 开发过程中，不仅仅是“精心构建上下文”，还要处理很多工程问题，比如：
- 拆解任务逻辑（problem decomposition）
- 控制调用流程（control flow）
- 匹配不同模型能力（模型调度）
- 处理用户交互（UI/UX）
- 构建验证环节、加安全、评估效果
- 实现并行化、预提取（prefetching）等性能优化……
整套体系，已经是一个复杂且厚重的软件系统。上下文工程只是其中一部分，也是决定 Agent 成败的核心之一。
上下文工程不仅是一门科学，为什么也是一门艺术？
因为即使你知道要“选信息”“做结构”“控长度”这些原则，但真正开发的时候，有太多不可明说、不可公式化的判断和拿捏。
比如，你不知道 LLM 是怎么“看待”你的 prompt 的，它没有固定语法或接口文档。你已经觉得两个版本的输入语句意思差不多，但最后模型表现可能天差地别。
所以你需要靠经验和“与模型打交道的直觉”来反复尝试、调整措辞、摆放顺序，就像调教一个怪脾气的 partner。
我觉得这就是“prompt sense”。为什么有的人用 AI 提效 10 倍，有的人感觉没用，区别就在这儿。
所以，以后再如果遇到一个特别牛的产品，再说又是一个 ChatGPT 套壳应用，甚至有点侮辱人了。
那么，我们该如何上手“上下文工程”？
AI 开发框架 LangChain 发布了一篇博客总结了四大核心落地策略：
第一招：写入 (Write) —— 给 AI 一个“草稿本”和“长期记忆”
AI 也需要“打草稿”和“记日记”。
在处理复杂任务时，让 AI 将中间步骤的思考记录到临时的“草稿本”（Scratchpads），或将关键结论存入跨会话的“长期记忆”（Memory）模块。这样既能保持主对话窗口清爽，又能让 AI 拥有持续学习和反思的能力。
第二招：筛选 (Select)
多，不如准。
当 AI 面对任务时，启动一个智能“调度员”，从庞大的知识库（文档、工具、记忆）中，通过 RAG 等技术，精准筛选出当下最相关的信息“投喂”给模型。这避免了信息过载，让模型能聚焦于核心问题。
第三招：压缩 (Compress)
上下文记忆有限，寸土寸金。
当对话历史或检索文档过长时，必须学会“断舍离”。通过摘要或修剪等策略，智能地为上下文“瘦身”，在不丢失关键信息的前提下，把最精华的内容留在宝贵的上下文窗口内。
第四招：隔离 (Isolate)
分而治之，化繁为简。这是多智能体（Multi-agent）系统的精髓。与其让一个“通才”Agent 应对所有复杂性，不如将大任务拆解，派发给多个拥有独立、优化上下文的“专才”Agent，各司其职，最后汇总成果，实现 1+1>2 的效果。
LangChain 的开发者德鲁·布鲁尼格（Drew Breunig）提出了一个极其重要的观点：
大多数智能体的失败，不再是模型本身的失败，而是我们喂给它的“上下文”出了问题。
他将这些问题归类为四种经典的“病理学”：
病症一：上下文中毒
- 症状：AI 调用工具时，带回了错误信息或纯粹的“幻觉”（比如一个不存在的网址或错误的数据），这些“毒素”污染了整个上下文，导致后续推理全盘皆错。
- 解决方案：
（1）隔离：在“沙盒”环境中运行不稳定的工具，像在隔离病房做实验一样，只将经过验证的、无毒的结果传回主系统。
（2）筛选：在检索信息后，增加一道“质检”程序，过滤或重排那些低质量、可疑的信息源。
（3）写入：在“草稿本”上记录工具调用的来源和可信度，方便随时溯源、排查“毒源”。
病症二：上下文分心
- 症状：一股脑塞给 AI 太多信息，哪怕这些信息都是相关的。海量的上下文淹没了最核心的指令，就像一个学生面前堆了太多参考书，反而找不到最重要的那本教科书，导致 AI“抓不住重点”。
- 解决方案：
- （1）隔离：采用“多智能体”策略，让每个 Agent 只专注于自己的一亩三分地，确保它看到的都是最相关的狭窄信息。
- （2）压缩：定期为上下文“瘦身”，通过摘要和修剪，大幅减少上下文长度，让核心指令始终“浮在水面”。
- （3）筛选：只为当前子任务选择最关键的知识和工具，避免一股脑地信息轰炸。
病症三：上下文混淆
- 症状：给 AI 的信息格式混乱、缺乏条理。比如，直接丢给它一堆杂乱无章的日志，导致 AI 以意想不到的、错误的方式去解读，最终输出“牛头不对马嘴”的结果。
- 解决方案：
（1）压缩：利用 LLM 的摘要能力，先将非结构化的“生肉”数据，提炼成格式清晰、简洁明了的“熟食”，再喂给模型。
（2）写入：在设计“草稿本”或记忆模块时，就将不同类型的信息（如历史记录、工具输出）存入不同的字段，从源头上保证结构清晰。
（3）筛选：确保检索出的信息格式统一，并附上“说明书”（元数据）来解释其含义。
病症四：上下文冲突
- 症状：上下文的不同部分包含了相互矛盾的信息。比如，一份文档说“A 是正确的”，另一份文档说“B 是正确的”，AI 在没有明确指导的情况下，被迫“站队”，很容易导致决策错误。
- 解决方案：
（1）筛选：在信息送入 LLM 之前，先设立一个“冲突仲裁层”，提前处理掉那些相互矛盾的信息。
（2）隔离：将处理不同（且可能冲突的）信息源的任务，分配给不同的“辩论员”Agent，最后由一个“法官”Agent 来裁决。
（3）写入：在“长期记忆”中不仅存储决策结果，更要存储做出该决策的理由，以便在未来遇到类似冲突时有据可依。
更有意思的是，在 Shopify，自发地使用 AI、“为 AI 加载上下文”的能力，正在成为员工的基本预期，甚至被纳入了绩效评估。
现在，任何团队在申请增加人力之前，都必须首先向公司证明：为什么这个任务，不能通过一个拥有“良好工程化上下文”的 AI 智能体来完成？
你认为“上下文工程”是下一个风口，还是被夸大的概念？期待在评论区看到你的洞见 ～
最后
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
👇👇扫码免费领取全部内容👇👇
最后
1、大模型学习路线
2、从0到进阶大模型学习视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）
4、AI大模型最新行业报告
2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
5、面试试题/经验
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
6、大模型项目实战&配套源码
适用人群
四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…
👇👇扫码免费领取全部内容👇👇
3、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
