上下文工程

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？

提示词工程已死，上下文工程当立原文：提示词工程已死，上下文工程当立上下文对智能体至关重要，但它并非取之不尽。这篇文章将分享如何高效筛选和管理上下文，让你的 Agent 表现更出色。

Agent Skills 详解：5大核心能力架构与AI Agent落地实践近年来，大语言模型（LLM）推动了自然语言理解和生成的飞跃，但多数应用仍停留在单轮问答模式。若要让 AI 深入业务流程、完成跨系统复杂任务，就必须具备持续执行与动态决策的能力，这正是 Agent Skills 的定位所在。

超越 Context Window：为何文件系统是 AI Agent 的终极记忆体“AI 不会因为上下文太短而失败，它们失败是因为不知道如何管理遗忘。”2025 年 12 月，Meta 以 20 亿美元收购 Agent 初创公司 Manus 的消息引爆了科技圈。除了惊人的估值，最让开发者好奇的是：Manus 到底解决了什么核心难题？答案可能比大多数人想象的要朴素得多——上下文工程（Context Engineering）。

AI智能体赋能实践：从提示工程到上下文工程的架构演进摘要：随着大语言模型（LLM）能力的飞速发展，我们正从简单的对话交互迈向能自主使用工具、完成复杂任务的AI智能体赋能新纪元。本文将从工程实践角度，深入探讨如何通过“上下文工程”这一新兴范式，有效管理模型的“注意力稀缺”问题，构建真正高效、可靠的智能体系统。

【技术报告解读】DeepSeek-OCR: Contexts Optical Compression我们提出了 DeepSeek-OCR，作为通过光学二维映射压缩长上下文可行性的初步探索。DeepSeek-OCR 由两个组件构成：DeepEncoder 和作为解码器的 DeepSeek3B-MoE-A570M。具体而言，DeepEncoder 作为核心引擎，旨在在高分辨率输入下保持低激活值，同时实现高压缩率，以确保视觉 token 数量可控且高效。实验表明，当文本 token 数量不超过视觉 token 数量的 10 倍（即压缩率小于 10×）时，模型可实现 97% 的 OCR 解码精度。即使在 20×