核心内容摘要
解构禁忌与权力的巅峰：为什么《异界之魔武流氓》才是男人的终极幻想？
上下文工程是在恰当时间、以恰当形式向大语言模型提供恰当信息的艺术与科学。
将LLM比作CPU上下文窗口比作RAM通过四个阶段优化编写(保存上下文)、读取(拉入窗口)、压缩(保留必要信息)和隔离(分割上下文)。
构建上下文管道使大模型能在正确时间看到正确信息从而准确响应提升AI性能和输出质量。
视觉化解读上下文工程正变得越来越重要但我们觉得很多人仍然难以真正理解它的实际含义。
今天让我们以逐步的方式来全面了解上下文工程的一切我们开始吧简单来说上下文工程就是一门艺术兼科学其核心是在恰当的时间、以恰当的形式将恰当的信息提供给你的LLM。
以下是Andrej Karpathy关于上下文工程的一段引语…要理解上下文工程首先必须理解上下文的含义。
如今的智能体已经演变成远不止聊天机器人。
下图
总结了智能体正常运作所需的六种上下文类型它们是注在人工智能领域“上下文”通常指模型处理任务时参考的额外信息如用户输入的背景或历史数据“智能体”则指能够自主感知环境、决策并行动的AI系统例如基于大语言模型的程序这些概念是理解上下文工程的关键。
指令示例知识记忆工具护栏这告诉你仅仅“提示”智能体是不够的。
你必须对输入上下文进行工程化。
这样想如果LLM是CPU。
那么上下文窗口就是RAM。
本质上你是在用完美的指令为你的人工智能编“RAM”。
我们该怎么做呢上下文工程可以分解为4个基本阶段这里的比喻将大语言模型LLM比作计算机的中央处理器CPU上下文窗口比作随机存取存储器RAM。
CPU负责处理信息RAM存储当前使用的数据类似地LLM处理输入指令上下文窗口则提供处理所需的信息。
通过精心设计上下文编程“RAM”我们可以优化AI的性能和输出。
|编写上下文选择上下文压缩上下文隔离上下文让我们逐一理解每个阶段…
编写上下文编写上下文指的是将上下文保存在上下文窗口之外以帮助智能体执行任务。
注上下文窗口context window指大语言模型处理输入时能考虑的最大文本长度类似于计算机内存。
智能体agent在人工智能中指能够感知环境并自主执行任务的系统如聊天机器人或自动化程序。
您可以通过将其写入以下位置来实现长期记忆跨会话持久保存短期记忆在会话内持久保存状态对象
读取上下文读取上下文指的是将其拉入上下文窗口以帮助智能体执行任务。
上下文窗口是大语言模型LLM中一次性能处理的文本序列的最大长度。
将上下文拉入窗口意味着使模型能够访问这些信息以进行推理或生成。
这个上下文可以从以下来源拉取工具内存知识文档向量数据库
压缩上下文压缩上下文意味着只保留任务所需的token。
“知识”在这里指用于存储信息的数据库如文档或向量数据库后者专门处理高维向量数据常用于机器学习中的相似性搜索。
“压缩上下文”是一种优化技术通过筛选输入数据仅保留对当前任务最重要的部分以减少计算开销并提高效率。
而“token”是大语言模型处理文本时的基本单位通常对应单词或子词。
检索到的上下文可能包含重复或冗余信息例如多轮工具调用从而增加额外token消耗和成本。
上下文
总结在这里能发挥作用。
隔离上下文隔离上下文涉及将其分割开来以帮助智能体执行任务。
一些流行的实现方式包括使用多个智能体或子智能体每个都有其自己的上下文使用沙盒环境来存储和执行代码以及使用一个状态对象因此本质上当你构建一个上下文工程工作流时你是在工程化一个“上下文”管道以便让大语言模型在正确的时间、以正确的格式看到正确的信息。
这正是上下文工程的工作原理就像你工程化特征以使机器学习模型工作一样…那些对输出没有贡献的特征应该被移除高度相关的特征在某些情况下可能帮助不大等等……类似地你工程化大语言模型的上下文使其能够准确响应。
特征工程是数据科学中预处理数据的关键步骤通过选择和构造相关特征来提升模型性能。
类比到上下文工程是通过设计输入上下文的结构和内容来优化大语言模型的输出。
没什么花哨的。
大家来聊聊你对上下文工程有什么看法你用它构建过什么吗我的理念是让天下没有难做的智能体。
如果您的企业需要智能体降本提效创收欢迎后台联系我【AI与代码前沿基地】 高频更新助你抢占技术先机 你是否❌ 苦恼AI技术更新太快跟不上核心概念❌ 代码实操一学就会一写就废❌ 想获取行业前瞻洞察却找不到深度解析✅ 在这里你将获得▷ 系统性AI知识库机器学习→深度学习→大模型零基础到进阶▷ 最新技术速递紧跟ChatGPT、Deepseek等全球AI突破附实战代码▷ 开发者工具箱Python案例拆解自动化实操拒绝纸上谈兵▷ AI解决方案面向您的场景端到端搭建AI解决方案如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。
但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。
这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。
我在一线互联网企业工作十余年里指导过不少同行后辈。
帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】
大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍
大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。
大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-
5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。
快速开发一个完整的基于 agent 对话机器人。
掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。
为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。
到此为止大概2个月的时间。
你已经成为了一名“AI小子”。
那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。
硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。
天道酬勤你越努力就会成为越优秀的自己。
如果你能在15天内完成所有的任务那你堪称天才。
然而如果你能完成
% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。
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】