上下文工程

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×

LLM - 从 Prompt 到上下文工程：面向 Java 的生产级 AI Agent 设计范式当前大模型已经能在复杂编程 benchmark 和自动化编码场景中表现出接近专职工程师的能力，但真正落地为生产级 Agent 系统时，最大难点不再是“模型够不够聪明”，而是“系统是否足够安全、可控、可持续运行”。对 Java 工程师而言，这意味着不仅要会调 LLM API，还要围绕 Agent 设计一整套上下文工程、权限与工具体系，让模型在受控环境中长期且安全地完成任务。

代码执行 + MCP：AI 代理 token 省 98%！咱们做AI开发的都知道，现在AI代理要对接各种工具——谷歌云盘、Salesforce、企业内部系统，没个统一的连接方式简直要疯。Anthropic的MCP（Model Context Protocol）算是解决了这个痛点，相当于给所有工具装了个“通用插座”，AI代理插一次就能用所有工具。

高阶结构化提示词（Nano Banana Prompt）实例分析本篇章将重点解析 V2（技术与媒介）和 V3（光学与色彩）变量，展示NBP如何将抽象的创意转化为可量化、可复现的摄影工程指令，实现对相机参数、布光方案和色彩科学的精确控制。

深度解析顶级 Doc Agent System Prompt 的架构与实践在快速迭代的现代软件开发环境中，文档的滞后、不一致和难以维护已成为普遍的痛点。传统的手动文档更新流程效率低下，极易与代码库发生“漂移”（drift），导致开发者、用户和团队成员依赖过时或错误的信息。大型语言模型（LLMs）和Agentic Systems的兴起为解决这一挑战提供了前所未有的机遇。

User Prompt 与 System Prompt：大模型沟通的“双引擎”机制深度拆解在企业推进大模型落地的过程中，一个高频出现的困惑是：“模型能力明明很强，为什么我用起来总是差一口气？”很多团队把问题归咎于模型选型、算力不足或数据质量，却忽略了最基础也最关键的环节——人与模型之间的沟通方式。提示词工程（Prompt Engineering）正是解决这一断层的核心桥梁。它不是玄学，也不是堆砌华丽辞藻，而是一套可学习、可复现、可优化的交互设计方法论。笔者在多个行业的大模型项目实践中反复验证：一个结构清晰、角色明确、边界合理的提示体系，往往比更换更强的底模带来更显著的效果提升。而要构建这样的体

好文与笔记分享 A Survey of Context Engineering for Large Language Models（上）随着大语言模型从简单的指令跟随系统演变为复杂多面应用的核心推理引擎，与之交互的方法也必须同步演进。"提示工程"这一术语虽然具有基础意义，但已不足以涵盖现代AI系统所需信息载荷的设计、管理和优化的全部范畴。这些系统并非基于单个静态文本字符串运行，而是利用动态化、结构化、多层面的信息流。为此，我们引入并正式提出语境工程这一学科体系。

从指令到智能：大型语言模型提示词工程与上下文工程的综合分析在与生成式人工智能模型（尤其是大型语言模型，LLM）交互的领域中，提示词工程（Prompt Engineering）构成了最直接、最基础的控制层面。它既是一门精确的科学，也是一门需要创造力的艺术，其核心在于设计和优化输入指令，以引导模型产生期望的输出。

分享一个知识工程师单体智能体的简单提示词# 0. 核心指令 (Core Directive)# I. 角色核心定位 (Core Identity)

RAG is really dead? 大模型和知识之间的桥梁没了？作者：SpaderMan最近，Latent Space 播客发布了一期标题为["RAG 已死，上下文工程为王"](https://www.latent.space/p/chroma ""RAG 已死，上下文工程为王"")的访谈，其中开源向量数据库 Chroma 的创始人 Jeff Huber 的观点引发了广泛讨论。这个观点触及了一个核心问题：我们是否真的理解自己在构建什么？

解锁AI智能体：上下文工程如何成为架构落地的“魔法钥匙”在当今科技飞速发展的时代，人工智能（AI）无疑是最耀眼的领域之一，而 AI 智能体则堪称其中的 “超级新星”。2025 年，被众多业内人士视为 “AI 智能体元年”，这一年，AI 智能体实现了从实验室研究到商业化应用的关键转折，开启了其在各行业广泛落地的新篇章。

任务型Agent：prompt工程实践市面上讲 prompt 的文章遍地都是，这里不再分享 prompt 通用技巧，而是结合工程简要讲一下 prompt 组成、组装、调优经验和上下文工程。

我是有底线的