核心内容摘要
PCB设计实战：5种阻抗匹配方法消除信号反射（附真实案例对比）
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”。
如果说 Prompt Engineering (提示工程) 是在教 AI “怎么做题”给指令那么 Context Engineering (上下文工程) 就是在帮 AI “准备考试资料”给数据。
它的核心目标是在有限或昂贵的窗口内喂给 AI 最相关、最准确、结构最清晰的信息让 AI 回答得更好。
️ 核心比喻给 CEO 准备简报把大模型想象成一个日理万机的 CEO虽然聪明但对你的具体业务一无所知。
你就是那个秘书。
没有上下文工程你把公司过去 10 年的所有发票、邮件、会议记录几万页纸一股脑扔在 CEO 桌子上说“老板帮我查查去年 3 月亏了多少钱。
”结果CEO 看不过来或者看漏了或者直接发火报错/胡说八道。
有上下文工程你先筛选出去年 3 月的财务报表用荧光笔画出重点整理成一页 A4 纸的简报放在 CEO 桌子最显眼的地方。
结果CEO 一眼就看到了答案决策非常精准。
这就是上下文工程清洗数据、筛选重点、排版整理。
⚔️ Context Engineering vs. Prompt Engineering这两个词经常混用但侧重点不同维度Prompt Engineering (提示工程)Context Engineering (上下文工程)关注点指令 (Instructions)数据/背景 (Data/Background)核心问题我该怎么问AI 才能听懂我该给 AI 喂哪些资料它才能答对关键动作角色扮演、思维链 (CoT)、约束条件。
文档检索 (RAG)、信息排序、内容压缩。
典型场景写文案、写代码、逻辑推理。
知识库问答、读长篇小说、分析财报。
️ 上下文工程的三大核心技术当你有 100 个文档想让 AI 读时你不能随便塞进去你需要用到以下技巧A. 检索与筛选 (Retrieval Filtering)痛点窗口再大也是要钱的而且废话太多会干扰 AI。
做法只把和用户问题最相关的那 5 个段落找出来利用 Embedding 向量搜索喂给 AI。
少即是多。
B. 位置优化 (Ordering / Needle in a Haystack)痛点“中间丢失 (Lost in the Middle)”现象。
大模型往往记得住开头和结尾的信息但容易忽略中间的信息。
做法把最重要的关键信息Key Information放在 Prompt 的最前面或最后面千万别埋在中间。
C. 信息压缩 (Compression)痛点原文太长Token 不够用。
做法先把长文档让 AI
总结成摘要Summary然后只把摘要喂给最终的对话模型。
为什么现在它这么重要以前窗口小4k你想塞东西也塞不进去所以大家拼命研究 Prompt 技巧。
现在窗口大了1M大家发现“垃圾进垃圾出 (Garbage In, Garbage Out)”的问题严重了。
场景基于私有数据构建智能客服。
挑战公司有 1 万个 PDF 文档。
上下文工程的任务把 PDF 拆解成小块。
清洗掉乱码和页眉页脚。
加上元数据Metadata比如“这是2024年的销售政策”。
当用户问“怎么退货”时精准调取“退货政策”那一块而不是把“招聘简章”也塞进去。
总结上下文工程 (Context Engineering)是构建企业级 AI 应用如 RAG 系统的基本功。
它不再纠结于“怎么说话”而是专注于“怎么喂料”。
如果说 Prompt 是烹饪的厨艺 Context 就是食材的预处理。
食材洗得越干净、切得越好做出来的菜AI 的回答就越美味。