上下文工程

I Am a robert girl

谷歌迈出RSI一大步：从Gemini模型迭代看AI工程化的新风向从今天觉醒,技术赋予每一个人数字生命近期，行业内关于“Gemini模型迭代登顶，谷歌在RSI（相对优势指数，此处代指大模型综合相对竞争力指数）上迈出一大步”的讨论热度居高不下。抛开各种情绪化的“AI军备竞赛”叙事，作为技术开发者，我们更应该关注这些技术跃升背后的工程范式转移。大模型的能力天花板正在被不断推高，但这对于普通开发者、在校学生和转行者意味着什么？我们该如何在这个快速变动的技术周期中找到自己的生态位？

大语言模型（LLM）核心技术梳理：从词元化到 RAG 的工程实践Token（词元）是文本的基本单位。Tokenizer 的作用是把清洗后的文本字符串切分成有意义的基本单元序列，并构建词表（vocabulary）。例如句子 "I want a beer! Beer is cute!" 会被切分成 ["I", "want", "a", "beer", "!", "Beer", "is", "cute", "!"] 等 token，再映射为整数索引，形成训练数据。

读《OpenViking：上下文数据库架构介绍》有感前阵子在改造基于 RooCode 的本地知识库查询时，我曾做过一个尝试：把文件的路径、所属项目以及代码块的方法名等元数据，显式地写入到向量存储中。当时的目的很简单——在代码知识库这种场景里，纯粹依靠向量做相似度检索时，召回内容的相关度太低了。

智能体面试准备（六十一）：智能体上下文工程 Context Engineering——上下文预算、压缩、优先级与多轮演进前面（五十九）长期记忆、（四十一）记忆架构讲了"记忆怎么存"。本文讲"每次推理把什么放进上下文窗口"——这正是 2025-2026 最热的 Context Engineering。同样的模型，上下文编排好坏，agent 表现能差一个量级。它和提示工程（Prompt Engineering）的区别在于：提示工程雕"一句话"，上下文工程雕"整个窗口的信息结构与取舍"。

小田学Python

上下文工程：Agent 的“工作台”收拾好没两个人用同一个大模型做 Agent，一个稳一个傻。差别往往不在模型，而在“工作台上摆了什么”。上下文工程，就是 Agent 最重要的工程能力之一。

LLM - 大模型上下文窗口管理的那些事：从长度焦虑到上下文工程上下文窗口曾经是模型能力的天花板，如今它更像是一门需要精心经营的资源管理艺术。当模型的注意力有了标价，如何在有限的窗口里放对信息、放好信息，成了决定 Agent 成败的关键。

正在走向自律

AI 辅助研发内部复盘（4/5）：约束、上下文与技能——把“人的判断”工程化在前三篇复盘中，我们探讨了工具选型、老项目改造路径以及人机协作边界。然而，随着 AI 在团队内的普及，一个新的瓶颈逐渐浮现：AI 的“幻觉”与“发散”。它经常写出不符合团队规范的代码，或者在重构时破坏隐式的业务规则。本篇作为系列复盘的第四篇，将聚焦于上下文工程（Context Engineering）与约束管理（Constraint Management）。我们将论证，AI 辅助研发的高级阶段，本质上是将人类工程师的经验、判断与底线，转化为 AI 可执行的“法律”。文章将通过三个硬核的代码案例——基

【Java/Go后端手撸原生Agent（第七篇）：Token预算管理 + 滑动窗口上下文裁剪】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → Phase 7 Token预算与上下文管理（本文）上一篇链接：Java/Go后端手撸原生Agent（第六篇）：流式输出让Agent思考过程"看得见"

【Java/Go后端手撸原生Agent（第八篇）：摘要压缩——让Agent“记要点“而不是“记流水账“】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → [Phase 7 Token预算与滑动窗口] → Phase 8 摘要压缩（本文）上一篇链接：Java/Go后端手撸原生Agent（第七篇）：Token预算管理 + 滑动窗口上下文裁剪

从 Prompt 到 Context Engineering：如何用 StarRocks 构建 AI Agent 的实时上下文引擎？全球 Lakehouse 架构的部署正在加速普及。然而，一个更深层的范式转变正在悄然发生：企业数据基础设施的服务对象，正在从人向 AI 迁移。

【Agent】AI编程工程化实践 —— Context上下文工程，SDD规范驱动开发，MCP&Skills【Agent】AI编程工程化实践 —— Context上下文工程，SDD规范驱动开发，MCP&Skills

Cursor 的上下文工程新思路：把一切变成文件最近读到 Cursor 官方博客的一篇文章：Dynamic context discovery。这篇文章不长，但我觉得它讲中了 Coding Agent 进化里非常关键的一点：Agent 变强，当然离不开模型能力提升，但同样重要的是 Context Engineering，也就是如何给模型提供上下文。

RAG 与 AI Agent：智能体真的需要检索增强生成吗？很多企业做 AI 应用时，第一反应都是上 RAG：把内部文档切片、向量化、放进向量库，然后让大模型基于检索结果回答问题。

程序员学习Chat

大模型应用开发-2 上下文工程参考论文：《A Survey of Context Engineering for Large Language Models》

最初的↘那颗心

企业级 AI Agent 工程方法论：上下文工程与记忆体系实战（中）上一篇我们聊了 AI Agent 的核心架构、工具工程化和 RAG 演进路径。这篇来讲两个在生产中极其关键但容易被忽视的环节：上下文工程和记忆生成流水线。大部分 Agent 在生产中翻车，根因往往就出在这两块。

AI 知识库与 Agent 能力构建工具全景调研报告本报告对当前 AI 知识库与 Agent 能力构建工具市场进行了系统性调研，覆盖多个主流产品与平台。AI Agent 正从 “概念验证” 全面迈入 “生产级应用” 阶段，2026 年被业界认定为 “企业级多智能体元年”。市场格局形成三大类型分化：流量生态型平台（如字节扣子、腾讯元器、阿里 AgentScope 等）侧重占据互联网流量入口；企业级底座型平台（如金智维 Ki-AgentS）专注一站式企业级智能体解决方案以及安全合规业务；RAGFlow、Dify、MaxKB、WeKnora 等开源平台以及 im

从 “渐进式披露” 到 “能力即文件”：Claude Agent Skills 的技术本质、架构变革与生态影响人工智能（Artificial Intelligence，AI）智能体（Agent）技术正在经历从通用能力向专业化能力的范式转变。在这一变革浪潮中，Anthropic 于 2025 年 10 月发布的 Agent Skills 方法代表了 AI 能力扩展机制的一次重要创新。这项技术的核心价值在于，它通过一种基于文件系统的模块化架构，将领域专业知识封装为可复用的技能单元，使得通用大模型能够动态按需加载特定能力，从而在保持上下文效率的同时实现专业化任务执行。不同于传统的提示工程或工具调用模式，Agent Sk

AI核心知识70——大语言模型之Context Engineering（简洁且通俗易懂版）上下文工程 (Context Engineering) 是随着大模型上下文窗口（Context Window）越来越大（从 4k 到 100万+ Token）而诞生的一门“信息整理术” 。

企业级AI发展新趋势：Copilot、流程自动化与智能体系统在当今数字化浪潮的推动下，企业级AI的发展呈现出蓬勃的态势，成为了众多企业提升竞争力和创新力的关键所在。回顾过去三年，企业对于AI的关注重点经历了显著的转变，从最初的“能不能用”，到后来的“能不能提效”，再到如今一个更为根本的问题逐渐凸显：AI是否能够在复杂且不确定的业务环境中，持续参与决策并对结果负责？正是这一问题的提出，促使企业级AI的落地路径出现了明显的分化，形成了Copilot、流程自动化和智能体系统这三大发展方向。

2026 年企业 AI Agent 落地全景：从试点到生产系统的关键转折在过去两年里，几乎所有大型企业都做过 AI 试点：聊天机器人、代码助手、文档生成、智能客服…… 但真正的问题始终悬而未决——AI 是否能够成为企业稳定、可复制的生产力，而不仅是一个提高局部效率的工具？