上下文工程

一句话定义：系统化设计送给 LLM 的上下文——选材、检索、压缩、记忆，让模型在正确信息下推理。

1. 与提示工程区别

• Prompt Engineering 关注"怎么说"。
• Context Engineering 关注"给模型看什么"。
• 是 Prompt Engineering 的升级与超集，在 Agent/长任务场景尤为关键。

2. 核心实践

信息选材

• 决定哪些文件/文档/报错/历史进入上下文。
• 无关信息会淹没关键内容。

检索注入

• 用 RAG/代码库检索动态拉取相关片段。
• 而非全量塞入。

压缩与摘要

• 长对话/长日志做摘要去冗余。
• 保留关键决策与硬约束。

分层组织

• 系统提示（角色/安全约束）。
• 长期记忆（项目规范）。
• 短期会话（本次进展）。
• 当前任务。

工具结果治理

• 命令日志只留关键行。
• 搜索结果只留 top-k。

3. 关键原则

• 先清单后检索：明确"这次推理需要什么"。
• 分区标签：用 XML/Markdown 标签分隔信息来源。
• 保留硬约束：摘要时别丢"不许做什么"。
• 防污染：错误信息一旦进入上下文会被当真。

4. 在 Agent 中的重要性

• 长任务上下文易膨胀、易丢失目标。
• 上下文工程是 Agent 可靠性的基石之一。
• 与 Loop Engineering 配合管理长循环。

5. 学习要点

• 上下文工程决定模型"看到什么"，直接影响输出质量。
• 长任务/Agent 场景必须做上下文工程。
• 与提示工程是叠加而非替代。

6. 参考资料

• Anthropic / OpenAI 关于长上下文与 Agent 记忆的最佳实践
• "Lost in the Middle"