最近「上下文工程」有多火？Andrej Karpathy 為其打 Call，Phil Schmid 介紹上下文工程的文章成為 Hacker News 榜首，還登上了知乎熱搜榜。

之前我們介紹了上下文工程的基本概念，今天我們來聊聊實操。

為什么關注「上下文工程」

我們很容易將 LLM 擬人化——把它們當作能夠「思考」、「理解」或「感到困惑」的超級助手。從工程學的角度來看，這是一個根本性的錯誤。LLM 并不具備信念或意圖，它是一個智能的文本生成器。

更準確的看法是：LLM 是一個通用的、不確定的函數。這個函數的工作方式是：你給它一段文本（上下文），它會生成一段新的文本（輸出）。

• 通用：意味著它能處理各種任務（如翻譯、寫代碼），無需為每個任務單獨編程。
• 不確定：意味著同樣的輸入，每次可能得到稍有不同的輸出。這是它的特點，不是毛病。
• 無狀態：意味著它沒有記憶。你必須在每次輸入時，提供所有相關的背景信息，它才能「記住」對話。

這個視角至關重要，因為它明確了我們的工作重心：我們無法改變模型本身，但可以完全控制輸入。所有優化的關鍵，在于如何構建最有效的輸入文本（即上下文），來引導模型生成我們期望的輸出。

「提示詞工程」一度很火，但它過于強調尋找一句完美的「魔法咒語」。這種方法在真實應用中并不可靠，因為「咒語」可能因模型更新而失效，且實際輸入遠比單句指令復雜。

一個更精準、更系統的概念是「上下文工程」。

兩者的核心區別在于：

• 提示詞工程：核心是手動構思一小段神奇的指令，如同念咒。
• 上下文工程：核心是構建一個自動化系統，像設計一條「信息流水線」。該系統負責從數據庫、文檔等來源自動抓取、整合信息，并將其打包成完整的上下文，再喂給模型。

正如 Andrej Karpathy 所說，LLM 是一種新型的操作系統。我們的任務不是給它下達零散的命令，而是為它準備好運行所需的所有數據和環境。

上下文工程的核心要素

簡單說，「上下文工程」就是打造一個「超級輸入」的工具箱。我們聽到的各種時髦技術（比如 RAG、智能體），都只是這個工具箱里的工具而已。

目標只有一個：把最有效的信息，用最合適的格式，在最恰當的時機，喂給模型。

以下是工具箱里的幾種核心要素：

• 指令：下達命令這是最基礎的，就是直接告訴模型該做什么。比如命令它「扮演一個專家」，或者給它看幾個例子，讓它照著學。
• 知識：賦予「記憶」 模型本身沒有記憶，所以我們要幫它記住。在聊天機器人里，就是把聊天記錄一起發給它。如果記錄太長，就做個「摘要」或者只保留最近的對話。
• 工具：

• 檢索增強生成 (RAG)：給它一本「開卷考試」用的參考書為了防止模型瞎說（產生幻覺），我們可以讓系統先從我們自己的知識庫（比如公司文檔）里查找相關資料，然后把「參考資料」和問題一起交給模型，讓它根據事實來回答。
• 智能體：讓它自己去「查資料」

這是更高級的玩法。我們不再是提前準備好所有資料，而是讓一個聰明的「智能體」自己判斷需要什么信息，然后主動使用工具（比如上網搜索、查數據庫）去尋找答案，最后再匯總起來解決問題。

總而言之，所有這些技術，無論簡單還是復雜，都是在回答這一個問題：「怎樣才能給模型打造出最完美的輸入內容？」

上下文工程的實踐方法論

使用 LLM 更像做科學實驗，而不是搞藝術創作。你不能靠猜，必須通過測試來驗證。

工程師的核心能力不是寫出花哨的提示，而是懂得如何用一套科學流程來持續改進系統。這套流程分兩步：

第一步：從后往前規劃（定目標 → 拆任務）

從你想要的最終結果出發，反向推導出系統的樣子。

• 先想好終點：明確定義你希望 LLM 輸出的完美答案是什么樣的（內容、格式等）。
• 再倒推需要什么原料：要得到這個完美答案，LLM 的輸入（上下文）里必須包含哪些信息？這就定義了你的系統需要準備的「原料包」。
• 最后設計「流水線」：規劃出能夠自動生產這個「原料包」的系統。

第二步：從前往后構建（搭積木 → 總裝）

規劃好后，開始動手搭建。關鍵是：搭好一塊，測一塊，最后再組裝。

• 先測試「數據接口」：確保能穩定地獲取原始數據。
• 再測試「搜索功能」：單獨測試檢索模塊，看它找資料找得準不準、全不全。
• 然后測試「打包程序」：檢查那個把所有信息（指令、數據）組裝成最終輸入的程序是否正常工作。
• 最后才進行「總裝測試」：當所有零件都確認無誤后，再連接起來，對整個系統進行端到端測試。這時，你可以完全專注于評估 LLM 的輸出質量，因為你知道它收到的輸入肯定是正確的。

核心思想就是：通過這種「先規劃、后分步搭建和測試」的嚴謹流程，我們將使用 LLM 從憑感覺的藝術，變成了有章可循的工程科學。

實踐

更具體的實踐方法，大家可以參考 Langchain 最新的博客和視頻，里面詳細介紹了上下文工程當前主流的四大核心方法，并展示了 LangChain 生態中 LangGraph 和 LangSmith 如何助力開發者高效實施上下文工程。

• 博客地址：Context Engineering for Agents
• 視頻地址：Context Engineering for Agents (LangChain)