核心内容摘要
探寻刘玥与洋外三黑的荧屏足迹：那些令人魂牵梦萦的电视剧集
RAG 还在吗那么RAG 现在就死了吗去年 5 月基于在 MCP模型上下文协议周围日益增长的炒作我向 Contextual AI 的首席执行官 Douwe Kiela 提出了这个问题。
两者都是大型语言模型的数据检索机制但 MCP 在过去一年中占据了所有头条新闻。
事实是RAG 作为开发者 and AI 工程师使用的术语已经逐渐消失。
即使是 Kiela——他共同撰写了 2020 年向世界介绍 RAG 的学术论文——也承认一个时髦的新术语已经接管了局面。
我认为人们现在已经将其重新品牌化为上下文工程其中包括 MCP 和 RAG他说。
“我的意思是RAG 中的’R’只是代表’检索’。
所以我想我上次也说过如果你使用 MCP 来进行检索那么这基本上就是 RAG对吧”RAG 仍然是 Contextual AI 技术栈的重要组成部分——它在他们的文档中尽管在主页上不再提及。
无论如何如果上下文工程现在是流行词Contextual AI 选对了公司名称。
智能体编排器发布像许多其他 AI 公司一样Contextual AI 现在也全力以赴投入智能体。
本周它发布了一个名为智能体编排器的新工具该公司在新闻稿中将其描述为管理上下文、执行防护措施并在多步工程工作流中维护智能体可靠性的基础设施和编排层。
智能体编排器加入了 Contextual AI 平台上可用的其他工具Kiela 将其描述为上下文层。
所以您有语言模型您有数据他解释道。
“如果您是一家企业您的数据到处都是而且非常非常嘈杂对吧而这些公司不会将所有这些数据整合到一个地方所以您可以使用我们的平台做的是连接所有这些不同的数据源。
”从所有这些数据源中用户创建 Contextual AI 所谓的数据存储。
Kiela 说智能体编排器将做的一部分事情是帮助企业在他们的数据存储之上构建智能体。
如下图所示智能体编排器包括企业创建智能体所需的所有部分预构建模板、提示接口、可视化构建器、API 等等。
技术特点智能体编排器提供完整的智能体开发环境包括预构建模板、可视化构建器和 API 接口。
Claude Code 和企业级封装我注意到像 Claude Code 和 Cursor 这样的 AI 编码工具在过去一年左右在企业中非常受欢迎。
据推测许多企业开发者已经在使用这些工具创建自定义智能体那么 Contextual AI 的智能体编排器提供了哪些 Claude Code 等工具没有的功能我会说那些 [AI 编码工具]它们本质上是语言模型的’驾驭工具’Kiela 回答道。
“所以’驾驭’是现在的流行词之一。
所以我认为您可以将我们的平台视为一种创建’自定义驾驭工具’的方式。
您基本上可以构建自己的 Cursor或者您可以在我们的平台上运行您自己特定的 Claude Code 实例这样您就不必担心在本地运行事情之类的事情了。
”我认为他的意思是 Claude Code 和 Cursor 是 AI 模型的封装器但它们通常因为作为 CLI 工具或桌面应用而绑定到开发者的计算机。
Contextual 允许企业创建自己的封装器但它们是集中托管的——这带来了企业通常需要的安全性和治理好处。
“——您可以将我们的平台视为一种创建’自定义驾驭工具’的方式。
您基本上可以构建自己的 Cursor或者您可以在我们的平台上运行您自己特定的 Claude Code 实例。
”——Douwe KielaContextual AI 首席执行官当前的另一个大趋势是智能体开发平台。
LangChain——也许是原始的 AI 工程工具——目前正在其主页上推广其智能体工程平台——称为 LangSmith。
我问 Kiela Contextual AI 与像 LangSmith 这样的产品相比如何我认为他们更关注低级开发者和我所谓的独立开发者他回答道。
“所以这真的是关于 SaaS 原型设计他们有许多不同的选择。
我认为我们要更有观点且更加企业级所以我们真的关注企业开发者和 [那些] 解决方案的用户。
”从提示工程到上下文工程在 AI 开发时代术语变化得非常快。
那么上下文工程实际上意味着什么特别是与 AI 智能体相关的碰巧的是Anthropic——也许是目前最时髦的 AI 开发公司感谢 Claude Code——在去年 9 月写了一篇解释文章。
Anthropic 主张上下文工程是提示工程的自然演进。
“与在
年的旧时代向 LLM 提供一系列提示不同现在鼓励工程师管理整个上下文状态系统指令、工具、模型上下文协议MCP、外部数据、消息历史等。
”智能体这个术语本身是有问题的但大多数人同意它是一个在循环中运行的软件程序。
根据 Anthropic 的说法在循环中运行的智能体为推理的下一次轮次生成越来越多的可能相关数据这些信息必须被循环完善。
这就是上下文工程所做的。
“——您想要预处理多少信息和您想 要在查询时搜索多少信息之间总是存在权衡。
”——Kiela具体来说Anthropic 说 Claude Code 采用上下文工程的即时方法意味着它将在运行时使用工具动态地将数据加载到上下文中。
我问 Kiela Contextual AI 是否做类似的事情是的所以大多数这些解决方案都是即时的他说。
“如果您稍微放大一点您想要预处理的多少信息——所以当您做文档摄入时——和您想在 查询时搜索多少信息之间总是存在权衡……所以基本上是即时的。
所以这两种处理模式之间的正确权衡真的取决于您要解决的问题。
所以在某些情况下如果您必须快速如闪电您可能想要做更多的预处理。
如果您有更多时间并且可以是智能体的那么您可能不需要做那么多因为您可以多次尝试和获得答案的所有各种不同策略。
”智能体用例那么 Contextual AI 的客户目前实际实施的智能体解决方案有哪些类型Kiela 回答说他的公司倾向于专注于硬工程比如半导体行业。
所以在其中我们看到很多通过让工程师访问所有内部知识来加快工程师速度的吸引力所以基本上解锁机构工程知识他说。
他们更受欢迎的用例之一是使用智能体进行根本原因分析这是在 11 月的一篇博文中描述的过程。
所以这相当强大他继续道。
“这实际上是获取日志转储或围绕出错的某种事情的所有不同数据集然后您需要分析根本原因是什么。
您可以将其与内部文档交叉引用也许与现有的错误报告交叉引用。
也许您想在您的代码库上自动打开一个 PR 来修复它。
所以对此有很多兴趣。
”结论综上所述RAG 并没有死——它只是被重新品牌化为上下文工程。
此外显然软件工程实践在智能体时代继续发展。
像 Contextual AI 和 Anthropic 这样的公司为各种开发者提供工具来调整智能体循环。
提示工程那已经结束了。
现在最重要的是管理整个上下文状态正如 Anthropic 所说的那样。
学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】