什么是 Context Engineering 上下文工程 ?
Context Engineering
Context Engineering（上下文工程）是最近在 AI 技术圈快速兴起的一个术语，包括 Tobi Lütke（Shopify CEO）、大神 Andrej Karpathy、Harrison Chase（LangChain 创始人）、Jerry Liu（LlamaIndex 创始人）、Simon Willison 等业界专家都纷纷表示认同。在此之前，我们习惯于使用 Prompt Engineering（提示词工程）这个词，但现在越来越多开发者意识到它已无法全面概括我们实际在做的事情。
大家误以为 Prompt Engineering 只是撰写静态提示词，然而真正落地 AI 应用需要的是一个系统工程，动态地组织信息并管理模型与外部工具之间的上下文。这就是我们今天要谈的Context Engineering。
什么是 Context Engineering？
开发 AI 应用时，我们需要构建一个系统，能够根据当前任务和状态，动态地为大模型（LLM）提供正确的信息和工具，使其具备完成任务的条件。这整套流程就被称为上下文工程（Context Engineering）。
Tobi Lütke 说得好：“我更喜欢用 Context Engineering 来代替 Prompt Engineering。这个词更准确地描述了核心技能：以合适方式为大模型提供完成任务所需的全部上下文。”
LangChain 在文章 “The rise of context engineering” 中这样定义：
Context engineering 是构建一个动态系统，以正确的格式提供正确的信息和工具，从而使 LLM 能够合理完成任务。
Andrej Karpathy 将其类比为操作系统：
LLM 是 CPU，而 Context window 是 RAM。Context engineering 就是那种在合适的时机把合适的信息精确放进 context window 的“艺术与科学”。
Context 包括哪些内容？
根据 Philipp Schmid 的文章“AI 的新技能不是提示词，而是上下文工程” 和 LlamaIndex 的分析 “上下文工程——它是什么，以及需要考虑的技术”，上下文不仅仅是你传给模型的一段 prompt，而是模型在生成响应前看到的所有内容，包括：
- Instructions / System Prompt：定义模型行为和语气风格的初始设定
- User Prompt / Input：用户当前的输入内容
- State / History：对话历史，即“短期记忆”
- Long-Term Memory：跨对话的长期记忆，例如用户偏好、过去摘要、记住的事实等
- Retrieved Information (RAG)：从文档、数据库、API 检索来的最新资料
- Available Tools：可以被调用的函数或工具定义
- Responses from Tools：工具执行后的结果
- Structured Output：如 JSON、XML 等结构化输出格式
- Global State / Workflow Context：在多步骤 Agent 或工作流中维护的全局变量、任务状态和中间结果
上述这些内容构成了当前大多数 AI 应用中的上下文信息。
Context Engineering 的四种常见方法
LangChain 核心开发者 Lance Martin 在 “Context Engineering for Agents” 一文中总结了四类常用的上下文工程手段：
1. 写入 Context
将信息保存在 context window 之外，例如长期记忆系统记录用户偏好、关键事实等。这类机制常用于 Memory 功能，例如 ChatGPT 的长期记忆。
2. 选择 Context
根据当前任务，从记忆中提取需要的信息，选择要用的工具，或通过 RAG 检索获取的外部资料。
3. 压缩 Context
由于模型有 context window 限制，当内容超出阈值时，需要裁剪无关部分，只保留执行任务所需的 token。例如 Claude Code 会在 context 使用率超过 95% 时自动 compact，将现有内容总结压缩。
4. 隔离 Context
在 Multi-Agent 任务中，将 context 拆分给不同 Agent 各自处理。例如 OpenAI Agents SDK 的 Agents as Tools、Anthropic 的 Multi-Agent 研究等，任务会被转交给子 Agent 处理，主 Agent 只接收返回的结果，从而节省 context。
但需要注意的是，隔离 context 也带来信息共享不足的问题。
自定义上下文格式
最早提出 Context Engineering 概念的，可能是 “12-Factor Agents” 中的这篇文章 “factor-03-own-your-context-window” ， “12-Factor Agents” 是一份非常具有启发性的 LLM Agent 架构指南，值得一读。作者 Dex 表示：
LLM 是无状态的函数系统，想获得好结果，关键是提供最好的输入。
他提出可以绕过厂商的 message-based 格式，直接使用自定义结构（如 XML）将 context 打包为单一 prompt，以最大化信息密度。
Dex 图示
例如 Dex 的 Context Engineering 示意图中省略了 Tools，他认为 Tools 本质上只是结构化输出，只要模型输出 JSON，就能被确定性程序处理。
为什么 Context Engineering 很关键？
LLM 就像一位被关在房间里的天才：
- 它不能主动学习、无法上网、也不能存储自己的状态。
- 它的“智力”并不等于“智慧系统”。
我们要将它构建成真正能完成任务的系统，还需要两个关键要素：
- 工具整合：让模型具备操作、搜索、记忆等能力
- 上下文管理：为模型在合适的时机提供恰当的信息
上下文不是免费的——每个 token 都有成本，而且都会影响模型行为。
这就是 Context Engineering 的价值所在：动态组织模型在当前任务中所需的一切信息和工具。
构建强大可靠的 AI 应用，已经不再是写好一个神奇 prompt、或换一款更大的模型，而是：在正确的时间点，喂给模型正确的上下文与工具。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
