从提示词到上下文工程
背景
LLMs（大语言模型）的实际效果不只取决于模型参数，推理时提供的 上下文信息 也至关重要。 而向 LLMs 提供上下文信息以引导其生成特定类型、主题或输出格式的内容就是提示词（Prompt）。 围绕提示词设计、优化、管理及和模型交互策略的整个体系就是提示词/上下文工程（Prompt/Context Engineering）。 两者区别在于：前者聚焦于单次交互的静态输入，而后者可应对动态、结构化、多源数据（如：实时数据、知识图谱、历史对话）等复杂情况。可以认为上下文工程（Context Engineering） 是对 提示词工程（Prompt Engineering） 的升级和加强。 上下文工程（Context Engineering)的目标是：构建一套统一框架，将碎片化技术（如：RAG、记忆系统、多智能体协助等）整合在一起，实现系统化设计、管理和优化 LLMs 信息负载的目的。与提示词工程的主要区别包括：
| 维度 | 提示词工程 | 上下文工程 |
|---|---|---|
| 形式 | 静态字符串 | 结构化动态组装 |
| 目标 | 优化单次提示词 | 系统级函数优化 |
| 状态性 | 无状态 | 显示记忆与状态管理 |
| 扩展性 | 长度增加导致脆弱性 | 模块化组合管理复杂度 |
形式化描述
组件层
$$C = A(c_1, c_2, ..., c_n)$$ 其中 C（Context / 上下文）是动态结构化信息组件的集合。$c_i$ 代表不同的信息源（例如：指令cinstr，外部知识ckb，记忆cmem）。$A$ 是组装函数（例如：优先级排序、模板格式化等），通过引入组装函数解决了灵活整合多源信息的问题。
优化层
。。。。TODO：待补充
组件技术解析
实现架构探索
参考资源
- A Survey of Context Engineering for Large Language Models
- Effective context engineering for AI agents
- 提示词工程完全指南
refs
https://blog.51cto.com/u_16163442/14222622https://juejin.cn/post/7520818511964749874https://zhuanlan.zhihu.com/p/1932720788206778299https://github.com/kaqijiang/context-engineering-intro-zhhttps://www.tipkay.com/institute/article/748924819802017792