前言随着 AI 系统和多 Agent 架构的发展“上下文工程”这一概念逐渐成为设计智能体系统的核心话题。Manus 团队在其博客文章《AI 代理的上下文工程构建 Manus 的经验教训》中提到在打造智能体系统的过程中他们面临一个根本抉择是从头训练一个端到端的智能代理模型还是基于已有的大语言模型LLM构建 “上下文学习”能力 正是对“上下文”这一维度的深入反思让他们最终押注于“上下文工程”Context Engineering。在当下智能体系统越来越被要求实现多轮交互、状态追踪、环境变化的感知与响应。缺乏对上下文的系统化管理就意味着智能体容易“丢链子”记不住上一轮、误判当前状态、无法在复杂任务中持续推进。Manus 的经验清楚地告诉我们模型能力虽强若缺乏结构化的上下文策略其潜力也会大打折扣。因此本文将围绕 “上下文工程” 这一核心展开从其定义到发展历程再到一个实践示例最终回顾关键要点并探讨未来趋势。希望你在搭建智能体系统时能少走几步、快步收敛。什么是上下文工程Context Engineering提示词工程告诉模型“怎么问、怎么答”而上下文工程则让模型记住并利用过去的信息前者关注单次输入后者关注多轮连续性两者互为补充。可以把它想象成和朋友聊天的场景你们聊了半个小时你的朋友记得你之前说过的话知道你今天的计划也了解你的喜好。当你问“今晚吃什么”时他就能结合之前的聊天内容给出更贴心、更合理的建议。上下文工程让智能体也能像这个朋友一样——不仅“听懂”当前输入还能“记住”历史信息并合理利用会记住历史信息你说过什么、做过什么会结合当前任务进行判断可以管理不同任务或不同用户的上下文避免混乱简而言之上下文工程就是让智能体有记忆、有判断力不仅看现在更懂过去和环境。从注意力机制到上下文工程要理解上下文工程的本质可以从大语言模型的核心架构——Transformer说起。 Transformer 的关键思想来自那篇里程碑式论文《Attention Is All You Need》。 自注意力机制Self-Attention让模型在处理每个词时都能动态地“关注”输入序列中与之最相关的部分。模型不再是线性阅读而是在整个上下文中分配“注意力”由此形成理解。从这个角度看上下文工程其实是系统层面的注意力管理机制。 Transformer 的 attention 决定模型在输入序列内部该关注哪些 token 而上下文工程决定模型在更高层次上该关注哪些历史、任务、环境或工具。换句话说Transformer 的注意力是“微观”的聚焦在词与词之间上下文工程的注意力是“宏观”的聚焦在对话、记忆、任务和工具之间。在复杂的智能体系统中这种“外部注意力”尤为关键。 它帮助系统判断什么时候该引用历史什么时候该忽略噪声什么时候聚焦当下。 如果说 Transformer 是微观的注意力调度器那么上下文工程就是宏观的注意力编排师。发展历程GAIR-NLP 将上下文工程定位为一个涉及上下文收集、存储、管理和利用的工程过程目标是缩小人类意图与机器理解之间的差距并提出了上下文工程的四个发展阶段。四阶段演进模型时代 1.0原始计算阶段只能处理结构化输入对上下文处理能力有限。人机交互成本较高因为机器只能接受非常明确的上下文信息。时代 2.0以智能体为中心出现自然语言处理、大语言模型、多模态处理和模糊信息处理能力。机器智能提升人机交互成本下降可以容忍更高熵更杂乱、非结构化的上下文信息。时代 3.0未来类人智能阶段智能体开始理解和推理更复杂的上下文关系。时代 4.0未来设想超人智能阶段智能体能够处理极高复杂度和不确定性的上下文实现超人级决策和理解能力。GAIR-NLP 指出当前主流大语言模型如 GPT-3 及其后续版本具备以下 2.0 特征能处理非结构化、含糊的输入能进行主动推理上下文不仅是“输入信息”更是“指令或指导”这些特征标志着我们已经进入上下文工程 2.0 阶段——智能体不仅能理解即时输入还能利用上下文做出连续、智能的决策。实践与示例下面的示例演示如何用LangChain构建一个简单的上下文工程系统模拟“订机票”的多轮对话场景让模型能够记住历史信息并结合当前需求给出合理回复。from langchain.vectorstores import FAISS from langchain.embeddings.openai import OpenAIEmbeddings from langchain.chat_models import ChatOpenAI from langchain.chains import ConversationalRetrievalChain from langchain.memory import ConversationBufferMemory # --- 1. 初始化 LLM 和向量存储 --- embeddings OpenAIEmbeddings() vector_store FAISS(embeddings.embed_query, dimension1536) # 将文本转为向量 # --- 2. 设置会话记忆 --- memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) # --- 3. 创建 LLM 对话链 --- llm ChatOpenAI(model_namegpt-4, temperature0.7) conversation_chain ConversationalRetrievalChain.from_llm( llmllm, retrievervector_store.as_retriever(search_kwargs{k: 5}), # 检索相似历史信息 memorymemory, ) # --- 4. 模拟多轮对话 --- user_id user_a user_inputs [ 我想订明天去北京的机票, 帮我选最便宜的航班, 希望上午出发 ] for user_input in user_inputs: response conversation_chain.run(user_input) print(模型回复:, response) # --- 5. 新输入结合上下文生成回复 --- latest_input 请帮我确认航班信息 response conversation_chain.run(latest_input) print(\n最新回复:, response)生成回复过程详细解说在上面的代码中当你输入一条信息时系统生成回复的流程大致如下用户输入接收用户发送请求如“我想订明天去北京的机票”。系统将输入传递给ConversationalRetrievalChain。上下文检索Memory 检查历史对话ConversationBufferMemory会返回当前用户之前的对话内容。向量检索FAISS将用户输入转为向量并检索与之最相似的历史上下文k5 条最相关信息。检索出的上下文会作为附加信息输入给 LLM。3. 生成提示Prompt ConstructionConversationalRetrievalChain会将当前输入 历史上下文 检索到的相似信息拼接成一个完整的提示prompt。例如:历史对话 用户我想订明天去北京的机票 系统好的请问希望哪家航空公司 当前输入帮我选最便宜的航班 请根据以上信息给出建议。4. 模型生成回复LLM 接收到完整提示后通过自身的注意力机制attention整合历史上下文和当前输入生成符合上下文的回答。此时模型“记得”用户的之前需求也能考虑新的约束条件。5. 更新记忆系统将这轮对话加入ConversationBufferMemory。下一轮对话时模型可以直接访问这条记录从而实现连续、多轮对话。6. 返回给用户系统输出生成的文本作为最终回复。如果用户输入进一步要求如“请帮我确认航班信息”流程重复但上下文会随着对话累积而不断丰富生成的回复会更加精准和个性化。流程优势多轮连续性模型不仅处理当前输入还能结合历史对话。信息回溯通过向量检索跨会话也能调用相关历史信息。个性化结合用户偏好和历史行为生成更贴近需求的回答。易扩展可以支持多用户、多任务甚至跨 Agent 的上下文管理。总结与展望本文从定义、发展、实践示例到案例分析全面梳理了上下文工程在智能体系统中的应用。核心要点包括上下文工程不仅是状态管理而是智能化、任务导向的上下文管理动态和智能上下文管理是未来趋势实践中需注意上下文膨胀、隔离及可扩展性未来随着 LLM 和多 Agent 系统的发展上下文工程将成为智能体系统设计的核心能力。通过合理设计和优化上下文策略智能体能够更精准、更连贯地理解和执行任务从而实现更高水平的智能交互。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。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】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下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】 Agent开发之上下文工程实战：让AI不再“丢链子“，程序员必学收藏指南
前言随着 AI 系统和多 Agent 架构的发展“上下文工程”这一概念逐渐成为设计智能体系统的核心话题。Manus 团队在其博客文章《AI 代理的上下文工程构建 Manus 的经验教训》中提到在打造智能体系统的过程中他们面临一个根本抉择是从头训练一个端到端的智能代理模型还是基于已有的大语言模型LLM构建 “上下文学习”能力 正是对“上下文”这一维度的深入反思让他们最终押注于“上下文工程”Context Engineering。在当下智能体系统越来越被要求实现多轮交互、状态追踪、环境变化的感知与响应。缺乏对上下文的系统化管理就意味着智能体容易“丢链子”记不住上一轮、误判当前状态、无法在复杂任务中持续推进。Manus 的经验清楚地告诉我们模型能力虽强若缺乏结构化的上下文策略其潜力也会大打折扣。因此本文将围绕 “上下文工程” 这一核心展开从其定义到发展历程再到一个实践示例最终回顾关键要点并探讨未来趋势。希望你在搭建智能体系统时能少走几步、快步收敛。什么是上下文工程Context Engineering提示词工程告诉模型“怎么问、怎么答”而上下文工程则让模型记住并利用过去的信息前者关注单次输入后者关注多轮连续性两者互为补充。可以把它想象成和朋友聊天的场景你们聊了半个小时你的朋友记得你之前说过的话知道你今天的计划也了解你的喜好。当你问“今晚吃什么”时他就能结合之前的聊天内容给出更贴心、更合理的建议。上下文工程让智能体也能像这个朋友一样——不仅“听懂”当前输入还能“记住”历史信息并合理利用会记住历史信息你说过什么、做过什么会结合当前任务进行判断可以管理不同任务或不同用户的上下文避免混乱简而言之上下文工程就是让智能体有记忆、有判断力不仅看现在更懂过去和环境。从注意力机制到上下文工程要理解上下文工程的本质可以从大语言模型的核心架构——Transformer说起。 Transformer 的关键思想来自那篇里程碑式论文《Attention Is All You Need》。 自注意力机制Self-Attention让模型在处理每个词时都能动态地“关注”输入序列中与之最相关的部分。模型不再是线性阅读而是在整个上下文中分配“注意力”由此形成理解。从这个角度看上下文工程其实是系统层面的注意力管理机制。 Transformer 的 attention 决定模型在输入序列内部该关注哪些 token 而上下文工程决定模型在更高层次上该关注哪些历史、任务、环境或工具。换句话说Transformer 的注意力是“微观”的聚焦在词与词之间上下文工程的注意力是“宏观”的聚焦在对话、记忆、任务和工具之间。在复杂的智能体系统中这种“外部注意力”尤为关键。 它帮助系统判断什么时候该引用历史什么时候该忽略噪声什么时候聚焦当下。 如果说 Transformer 是微观的注意力调度器那么上下文工程就是宏观的注意力编排师。发展历程GAIR-NLP 将上下文工程定位为一个涉及上下文收集、存储、管理和利用的工程过程目标是缩小人类意图与机器理解之间的差距并提出了上下文工程的四个发展阶段。四阶段演进模型时代 1.0原始计算阶段只能处理结构化输入对上下文处理能力有限。人机交互成本较高因为机器只能接受非常明确的上下文信息。时代 2.0以智能体为中心出现自然语言处理、大语言模型、多模态处理和模糊信息处理能力。机器智能提升人机交互成本下降可以容忍更高熵更杂乱、非结构化的上下文信息。时代 3.0未来类人智能阶段智能体开始理解和推理更复杂的上下文关系。时代 4.0未来设想超人智能阶段智能体能够处理极高复杂度和不确定性的上下文实现超人级决策和理解能力。GAIR-NLP 指出当前主流大语言模型如 GPT-3 及其后续版本具备以下 2.0 特征能处理非结构化、含糊的输入能进行主动推理上下文不仅是“输入信息”更是“指令或指导”这些特征标志着我们已经进入上下文工程 2.0 阶段——智能体不仅能理解即时输入还能利用上下文做出连续、智能的决策。实践与示例下面的示例演示如何用LangChain构建一个简单的上下文工程系统模拟“订机票”的多轮对话场景让模型能够记住历史信息并结合当前需求给出合理回复。from langchain.vectorstores import FAISS from langchain.embeddings.openai import OpenAIEmbeddings from langchain.chat_models import ChatOpenAI from langchain.chains import ConversationalRetrievalChain from langchain.memory import ConversationBufferMemory # --- 1. 初始化 LLM 和向量存储 --- embeddings OpenAIEmbeddings() vector_store FAISS(embeddings.embed_query, dimension1536) # 将文本转为向量 # --- 2. 设置会话记忆 --- memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) # --- 3. 创建 LLM 对话链 --- llm ChatOpenAI(model_namegpt-4, temperature0.7) conversation_chain ConversationalRetrievalChain.from_llm( llmllm, retrievervector_store.as_retriever(search_kwargs{k: 5}), # 检索相似历史信息 memorymemory, ) # --- 4. 模拟多轮对话 --- user_id user_a user_inputs [ 我想订明天去北京的机票, 帮我选最便宜的航班, 希望上午出发 ] for user_input in user_inputs: response conversation_chain.run(user_input) print(模型回复:, response) # --- 5. 新输入结合上下文生成回复 --- latest_input 请帮我确认航班信息 response conversation_chain.run(latest_input) print(\n最新回复:, response)生成回复过程详细解说在上面的代码中当你输入一条信息时系统生成回复的流程大致如下用户输入接收用户发送请求如“我想订明天去北京的机票”。系统将输入传递给ConversationalRetrievalChain。上下文检索Memory 检查历史对话ConversationBufferMemory会返回当前用户之前的对话内容。向量检索FAISS将用户输入转为向量并检索与之最相似的历史上下文k5 条最相关信息。检索出的上下文会作为附加信息输入给 LLM。3. 生成提示Prompt ConstructionConversationalRetrievalChain会将当前输入 历史上下文 检索到的相似信息拼接成一个完整的提示prompt。例如:历史对话 用户我想订明天去北京的机票 系统好的请问希望哪家航空公司 当前输入帮我选最便宜的航班 请根据以上信息给出建议。4. 模型生成回复LLM 接收到完整提示后通过自身的注意力机制attention整合历史上下文和当前输入生成符合上下文的回答。此时模型“记得”用户的之前需求也能考虑新的约束条件。5. 更新记忆系统将这轮对话加入ConversationBufferMemory。下一轮对话时模型可以直接访问这条记录从而实现连续、多轮对话。6. 返回给用户系统输出生成的文本作为最终回复。如果用户输入进一步要求如“请帮我确认航班信息”流程重复但上下文会随着对话累积而不断丰富生成的回复会更加精准和个性化。流程优势多轮连续性模型不仅处理当前输入还能结合历史对话。信息回溯通过向量检索跨会话也能调用相关历史信息。个性化结合用户偏好和历史行为生成更贴近需求的回答。易扩展可以支持多用户、多任务甚至跨 Agent 的上下文管理。总结与展望本文从定义、发展、实践示例到案例分析全面梳理了上下文工程在智能体系统中的应用。核心要点包括上下文工程不仅是状态管理而是智能化、任务导向的上下文管理动态和智能上下文管理是未来趋势实践中需注意上下文膨胀、隔离及可扩展性未来随着 LLM 和多 Agent 系统的发展上下文工程将成为智能体系统设计的核心能力。通过合理设计和优化上下文策略智能体能够更精准、更连贯地理解和执行任务从而实现更高水平的智能交互。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。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】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下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】