AI领域新趋势：从提示(Prompt)工程到上下文(Context)工程
在人工智能领域，尤其是与大型语言模型（LLM）相关的应用开发中，一个新兴的概念正在逐渐取代传统的提示工程（Prompt Engineering），那就是上下文工程（Context Engineering）。本文将深入探讨这一转变背后的原因、上下文工程的内涵以及它对AI应用开发的重要意义。
一、什么是上下文工程？
上下文工程是一种构建动态系统的过程，目的是为LLM提供正确格式的信息和工具，使其能够合理地完成任务。这与传统的提示工程有着本质的区别。提示工程主要关注于如何巧妙地措辞提示，以期从LLM中获得更好的答案。然而，随着应用的复杂性不断增加，人们逐渐意识到，向AI提供完整且结构化的上下文比任何巧妙的措辞都更为重要。
上下文工程是一个系统，而不是简单的字符串。它是一个在主LLM调用之前运行的系统，能够从多个来源获取上下文，包括应用开发者、用户、之前的交互、工具调用或其他外部数据。这个系统是动态的，可以根据不同的任务和情境动态地构建最终的提示。它强调提供正确的信息和工具，如果输入的信息不准确或不完整，输出的结果也必然不可靠。同时，信息和工具的格式也至关重要，就像与人类沟通一样，清晰、简洁的格式更容易被理解和处理。
二、上下文工程的重要性
当基于LLM的智能体系统（Agent）出现问题时，很多时候并非模型本身的问题，而是因为没有向模型提供适当的上下文。随着模型技术的不断进步，模型本身的错误越来越少，而上下文错误却成为了主要问题。上下文可能存在问题的原因包括：缺少模型做出正确决策所需的关键上下文信息；上下文格式不佳，影响模型对数据的理解和处理。
例如，想象一个AI助手被要求根据一封简单的电子邮件安排会议。如果这个助手只有用户请求的上下文，而没有其他相关信息，如日历信息、过去的电子邮件往来、联系人列表等，那么它生成的回复可能是无用且机械的。相反，如果能够在调用LLM之前，将这些相关的信息作为上下文提供给模型，那么生成的回复就会更加智能和实用。
三、上下文工程与提示工程的关系
虽然提示工程是上下文工程的一个子集，但上下文工程的范围更广。提示工程更多地关注于如何将上下文以最佳的方式组织在提示中，以适应动态数据并正确地格式化它们。而上下文工程则不仅包括提示的构建，还包括从多个来源收集和整合上下文信息，以及确保这些信息和工具的格式适合LLM处理。
四、上下文工程的实践案例
一些基本的上下文工程实践包括：
- 工具使用：确保代理在需要访问外部信息时，有相应的工具可以使用，并且这些工具返回的信息格式要便于LLM理解和处理。
- 短期记忆：在长时间的对话中，创建对话摘要，并在后续对话中使用这些摘要。
- 长期记忆：能够获取用户在之前对话中表达的偏好。
- 提示工程：在提示中清晰地列举代理的行为指令。
- 检索：动态地检索信息，并在调用LLM之前将其插入到提示中。
五、LangGraph和LangSmith如何助力上下文工程
LangGraph是一个以可控性为目标构建的代理框架，它允许开发者完全控制代理的运行步骤、输入LLM的内容以及输出的存储位置。这种高度的可控性使得开发者可以进行各种复杂的上下文工程操作。而LangSmith则是一个LLM应用的可观测性和评估解决方案，其关键功能之一是能够追踪代理调用。通过LangSmith，开发者可以看到代理运行的所有步骤，以及输入和输出LLM的确切内容，从而调试上下文是否包含了完成任务所需的所有相关信息和工具。
六、结论
上下文工程的兴起反映了AI应用开发的一个重要转变。它强调了为LLM提供高质量上下文的重要性，这不仅包括正确的信息和工具，还包括这些信息和工具的格式和动态性。随着模型技术的不断发展，上下文工程将成为AI工程师必须掌握的关键技能。通过构建动态的上下文系统，我们可以使LLM更好地完成各种复杂任务。