AI 時代，你可能聽說過提示詞工程、RAG、記憶等術(shù)語。但是很少有人提及上下文工程（context engineering）。

其實，這一術(shù)語并不新鮮，近兩年很多智能體構(gòu)建者一直在關(guān)注這個事情。至于重要性，下面這張圖很好地概括了上下文工程與提示詞工程、RAG 等的關(guān)系。

在傳統(tǒng)的提示工程中，開發(fā)者通常側(cè)重于精心設(shè)計提示語，以期得到更好的答案。然而，隨著應(yīng)用的復(fù)雜度不斷增加，逐漸顯現(xiàn)出單純依賴提示已無法滿足現(xiàn)代智能體的需求。如今，提供完整且結(jié)構(gòu)化的上下文信息比任何巧妙的提示詞更為重要。

上下文工程就是為此誕生的。

上下文工程是構(gòu)建動態(tài)系統(tǒng)，以正確的格式提供合適的信息和工具，從而使得 LLM 能夠合理地完成任務(wù)。

大多數(shù)時候，當一個智能體沒有很好地執(zhí)行任務(wù)時，根本原因是沒有向模型傳達適當?shù)纳舷挛?、指令和工具。LLM 應(yīng)用正在從單一的提示演變?yōu)楦鼜?fù)雜、動態(tài)的智能系統(tǒng)。

因此，上下文工程正在成為 AI 工程師可以發(fā)展的最重要技能。

什么是上下文工程？

上下文工程是指構(gòu)建動態(tài)系統(tǒng)，以合適的格式提供準確的信息和工具，使 LLM 能夠合理完成任務(wù)。

上下文工程是一個系統(tǒng)。復(fù)雜的智能體可能需要從多個來源獲取上下文。這些上下文可能來自應(yīng)用開發(fā)者、用戶、先前的交互記錄、工具調(diào)用結(jié)果或其他外部數(shù)據(jù)。將這些內(nèi)容整合起來需要一個復(fù)雜的系統(tǒng)。

上下文工程是動態(tài)的。許多上下文信息是動態(tài)生成的。因此，構(gòu)建最終提示的邏輯也必須是動態(tài)的，而不僅僅是一個靜態(tài)模板。

必須提供準確的信息。智能體系統(tǒng)表現(xiàn)不佳的常見原因往往是缺乏正確的上下文。LLM 無法「讀心」—— 因而你必須為它們提供準確的信息。輸入的是垃圾，輸出的也只會是垃圾。

需要提供合適的工具。并不是在所有情況下，LLM 僅憑輸入就能夠解決任務(wù)。在這些情況下，如果你希望賦能 LLM 來完成任務(wù)，你需要確保它擁有合適的工具。這些工具可以是用來查找更多信息、采取行動，或者介于兩者之間的任何東西。為 LLM 提供合適的工具和提供正確的信息一樣重要。

格式很重要。就像與人類溝通一樣，如何與 LLM 溝通也很重要。在確保 LLM 能夠使用這些工具時，工具的輸入?yún)?shù)非常重要。

為什么上下文工程很重要

 當智能體系統(tǒng)出錯時，通常是因為 LLM 出錯。從第一性原理思考，LLM 出錯有兩個原因：

• 底層模型本身出錯，模型的能力不夠；
• 底層模型沒有傳遞適當?shù)纳舷挛囊陨烧_的輸出。

隨著技術(shù)的不斷優(yōu)化，更多情況下（尤其是當模型變得更強大時）模型的錯誤是由第二個原因造成的。傳遞給模型的上下文可能由于以下幾種原因?qū)е滦阅芟陆担?/p>

• 缺少上下文，模型做出正確決策所需的上下文沒有被傳遞。模型不是心靈感應(yīng)的，如果沒有給它正確的上下文，它就無法知道該信息的存在。
• 上下文格式不當。就像與人類溝通一樣，溝通方式非常重要！當你將數(shù)據(jù)傳遞給模型時，數(shù)據(jù)的格式絕對會影響模型的響應(yīng)。

上下文工程與提示工程有何不同？ 

為什么要從提示工程到上下文工程轉(zhuǎn)變？早期，開發(fā)者專注于巧妙地給出提示以引導(dǎo)模型給出更好的答案。但隨著應(yīng)用變得更加復(fù)雜，現(xiàn)在越來越明顯的是，提供完整且結(jié)構(gòu)化的上下文比任何巧妙的措辭更為重要。

我們可以將提示工程視為上下文工程的一個子集。即使你擁有所有的上下文，如何在提示中組裝它仍然至關(guān)重要。區(qū)別在于，你不僅僅是在設(shè)計一個與單一輸入數(shù)據(jù)有效的提示，而是要處理一組動態(tài)數(shù)據(jù)并將其正確格式化。

上下文的一個關(guān)鍵部分通常是關(guān)于 LLM 應(yīng)該如何表現(xiàn)的核心指令。這通常也是提示工程的一個重要部分。

好的上下文工程應(yīng)該包括：

• 工具使用：當一個智能體訪問外部信息時，需要擁有能夠訪問這些信息的工具。當工具返回信息時，需要以 LLM 最容易理解的方式對其進行格式化。
• 短期記憶：如果對話持續(xù)一段時間，可以創(chuàng)建對話摘要，并在未來使用該摘要。
• 長期記憶：如果用戶在之前的對話中表達了偏好，需要獲取這些信息。
• 提示工程：在提示中清楚地列舉智能體應(yīng)該如何操作的說明。
• 檢索：動態(tài)地獲取信息，并在調(diào)用 LLM 之前將其插入到提示中。

原文鏈接：https://blog.langchain.com/the-rise-of-context-engineering/