核心内容摘要
ww我的快乐在哪里：一场关于灵魂自由的终极迁徙
大型语言模型上下文工程的六个组件以下是一个粗略的数学描述用于确定你的AI应用输出质量的因素模型选择15%提示10%其他所有组件检索、记忆、工具、查询处理75%我们见过许多团队过度关注那错误的25%而实际问题却出在别处。
这正是为什么“上下文工程”悄然成为当今AI工程中最重要的技能。
它是一门艺术旨在以正确的格式、在正确的时间向模型提供正确的信息。
它包含六个核心组件如下方的视觉图所示提示技术许多人在这里就停步不前了。
但即使在这里其深度也远超人们所认识到的。
经典提示关乎模式识别。
你给模型提供示例它就能学习到你想要的格式、风格和逻辑。
少样本提示对于结构化任务依然效果显著。
少样本提示是一种技术通过在提示中提供少数几个示例如一个或几个让大语言模型学习并模仿给定的模式或风格。
这减少了数据需求适合结构化任务如分类或格式化文本。
像Chain-of-thought prompting这样的技术为模型提供了思考空间。
不是直接要求给出答案而是引导它逐步推理。
这一简单的改变能显著提升复杂问题上的准确性。
Chain-of-thought prompting是一种提示技术它要求语言模型在生成答案之前先输出推理步骤这有助于提高模型在需要逻辑思考的任务上的表现。
查询增强Query Augmentation用户在写查询时往往很懒。
当有人输入“我的API调用总是失败该怎么办”时这样的查询对检索系统来说几乎无用。
查询增强通过多种技术来解决这个问题Query Augmentation是一种信息检索技术通过扩展或重写用户查询来改善搜索结果的准确性和相关性特别是在用户查询过于简短或不明确时。
查询重写大语言模型LLM接收模糊问题并将其转换。
查询扩展添加相关术语和同义词以扩大搜索范围。
查询分解将复杂问题拆分为可独立回答的子问题。
查询智能体使用智能体基于初始结果动态决定如何重新表述查询。
长期记忆假设一个智能体与用户进行了一次精彩的对话。
用户分享了偏好、上下文和历史记录。
但会话结束时所有信息都丢失了。
长期记忆通过外部存储来解决这个问题向量数据库存储过去交互的嵌入向量用于语义搜索。
图数据库将对话存储为关系和实体。
记忆类型也很重要情景记忆指特定事件语义记忆维护用户的一般事实以及程序性记忆处理用户喜欢事情如何被完成的方式开源工具如[缺失名称]使得这变得可访问并且你无需从头构建。
短期记忆短期记忆就是对话历史。
这一点看似明显但往往处理不当。
以下是团队常犯错误的地方向上下文窗口塞入过多内容噪音淹没信号包含不足模型缺乏关键信息顺序不佳重要上下文被埋没在末尾没有长对话的
总结策略知识库检索大多数团队将其视为RAG但这太狭隘了。
RAG只是一种模式并非全貌。
真正的问题是如何将你的AI连接到组织的数据这些知识无处不在例如文档、维基、数据库、SaaS工具如Notion和Google Drive、API和代码仓库。
注嵌入向量是高维空间中表示数据点的数学向量常用于捕捉语义相似性使语义搜索能基于内容含义而非关键词匹配找到相关信息。
RAG检索增强生成是一种结合信息检索和文本生成的技术通过从外部知识源检索文档来增强大语言模型的回答从而提供更准确、上下文相关的输出。
检索管道包含三个层次预处理如何切分文档保留哪些元数据如何处理表格和结构化数据如何保持一切同步检索使用哪种嵌入模型采用哪种检索策略向量搜索或与BM25的混合搜索如何进行重排序嵌入模型是将文本转化为向量表示的模型常用于计算语义相似性BM25是一种经典的信息检索算法基于词频和文档长度进行评分重排序是对初步检索结果应用更复杂的模型进行优化排序的过程。
增强如何格式化检索到的上下文包括引注处理矛盾等开源工具如待补充提供了端到端的解决方案。
无需为每个数据源构建自定义连接器你可以同步知识库并统一访问Notion、Google Drive、数据库等。
无需改动模型只需调整分块策略或妥善同步知识源就能使检索质量提升十倍。
工具与智能体工具能扩展模型的能力因为如果没有工具模型就只能局限于其权重和上下文窗口中的信息。
此外智能体负责决定何时以及如何使用这些工具。
智能体的基本运作循环如下所示查询 → 思考 → 行动 → 观察 → 重复此过程直至目标满足 → 响应。
单智能体架构适用于简单任务。
大多数聊天机器人和智能助手都属于此类。
多智能体架构更适合复杂工作流。
在这种架构中专门的智能体相互协作一个负责研究另一个负责写作还有一个负责批判。
它们之间传递工作成果。
MCP让我们更进一步传统的工具集成需要 N×M 个连接点。
例如如果有 3 个模型和 4 个工具就需要 12 个集成点。
MCP 将其简化为 NM。
模型和工具都连接到一个标准协议层。
解释MCP可能指模型控制协议或类似标准是一种协议旨在标准化模型与工具之间的交互从而减少集成复杂度从乘法关系N×M优化为加法关系NM。
这降低了系统开发和维护的成本。
曾经提示工程让人以为魔法的关键在于精心设计完美的指令。
而上下文工程认识到真正的魔法在于整个信息管道你提供什么上下文这些上下文来自哪里如何检索、过滤和格式化模型能利用工具做什么它在跨会话中能记住什么我们创建的视觉图分解了我们今天讨论的所有 6 个组件对于2026年的AI应用开发者这正是你必须掌握的核心心智模型。
普通人如何抓住AI大模型的风口领取方式在文末为什么要学习大模型目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 大模型作为其中的重要组成部分 正逐渐成为推动人工智能发展的重要引擎 。
大模型以其强大的数据处理和模式识别能力 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 为各行各业带来了革命性的改变和机遇 。
目前开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景其中应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。
随着AI大模型技术的迅速发展相关岗位的需求也日益增加。
大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。
如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议最后只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。
我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。
我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事02适学人群应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。
零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。
业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。
vx扫描下方二维码即可【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验