Appearance
76. 什么是上下文工程（Context Engineering）？
难度 P0 必背 · 岗位 应用 · 频率 ★★★ · 预计阅读 6 min
本题阅读地图
- 💡 简要回答
- 📝 详细解析
- 🎯 面试总结
👔 面试官：你有没有听说过「上下文工程」这个概念？它和 Prompt 工程有什么区别？
🙋 我：上下文工程……就是把提示词写得更好？
👔 面试官：不只是写好提示词，上下文工程管的是整个进入模型的信息，而不只是指令文字。你能展开说说吗？
这是 2025 年 AI 工程领域最热门的概念之一，Andrej Karpathy 等人明确提出，值得深入理解。
TL;DR 速记
- 是什么：上下文工程是系统化管理「送进 LLM 的全部信息」：系统提示、任务目标、历史、RAG 证据、工具定义和输出格式。
- 关键点：它比 Prompt 工程更大，Prompt 只管指令文字，上下文工程管模型推理时的整个信息环境。
- 怎么答：「上下文工程 = 为模型塑造信息环境；核心是筛选、排序、压缩、更新，让模型在正确材料和约束下行动。」
图解
图 1：上下文工程管理什么
相关题
上下文工程解释「给模型什么信息」；信息太长会触发 Q31 Lost in the Middle，复杂研究场景会扩展到 Q77 DeepSearch。
💡 简要回答
**上下文工程（Context Engineering）**是一门关于「如何精心设计、筛选、组织和动态更新输送给 LLM 的信息」的工程学科。它比 Prompt 工程更宏观：Prompt 工程只关注「指令文字怎么写」，上下文工程关注的是模型在推理时的「整个信息环境」——系统提示、对话历史、检索到的外部知识、工具定义、结构化输出要求，都是上下文工程的管理对象。
一句话概括：上下文工程 = 为模型精心塑造信息环境，用来引导和约束它的行为。
📝 详细解析
为什么需要上下文工程？
LLM 本质上是基于上下文的自回归预测模型——它的整个世界就是当前这次请求里携带的上下文，模型的所有推理、决策和输出，都完全基于你给它的这些信息。
因此，「给模型什么信息」比「模型本身有多强」更能决定输出质量。上下文工程就是系统化地做这件事。
上下文的六大组成模块
模块一：系统提示 / 角色设定 定义 Agent 的「人设」、核心职责和行为规范。这是上下文里最稳定的部分，整个会话期间几乎不变。
模块二：任务指令与目标 清晰描述当前需要完成的任务，为本次交互提供明确方向。
模块三：对话与行动历史 多轮对话的完整记录，以及 Agent 之前调用工具的结果。这是模拟「记忆」和「状态」的关键。
模块四：外部知识（RAG 检索结果） 通过向量检索从知识库拿到的、与当前任务最相关的信息片段，弥补 LLM 知识时效性和专有性不足。
模块五：工具与函数定义 Agent 可以调用的工具列表，包括描述、参数格式。通过「说明书」的方式扩展 Agent 的行动能力。
模块六：结构化输出要求 要求模型以特定 JSON/XML 格式输出，便于后端程序解析，驱动自动化流程。
上下文工程的三大核心策略
策略一：分层与优先级管理
上下文窗口是有限资源（128K token 也是有限的）。不是所有内容都同等重要：
- 系统提示：最高优先级，始终保留、不截断
- 检索内容：按相关性排序，只放最相关的 Top-K
- 对话历史：可以压缩、摘要，但不能完全丢失关键节点
策略二：引导推理链（Chain-of-Thought）
通过在系统提示里要求 Agent 按「思考 → 行动 → 观察」的步骤工作，把结构化思维过程也放进上下文：
思考：用户需要北京天气决定要不要带伞，我没有实时数据，需要调工具。
行动：调用 get_weather(city="北京")
观察：返回「晴，25°C」
思考：晴天不用带伞，可以给出最终答案了。
回答：北京今天晴天 25°C，出门不需要带伞。这种结构化的推理过程本身放进上下文，会迫使模型进行更深入的逻辑推理。
策略三：动态管理与状态维持
对话越长，上下文管理越关键。三种常用手段：
- 滑动窗口：只保留最近 N 轮，简单但可能丢失关键信息
- 智能摘要：定期把旧对话压成摘要，「用户之前遇到了登录问题，已引导清除浏览器缓存」
- 外部向量记忆：重要信息存到向量库，需要时再检索拉回来
Prompt 工程 vs 上下文工程
| 维度 | Prompt 工程 | 上下文工程 |
|---|---|---|
| 关注范围 | 指令文字怎么写 | 整个信息环境怎么设计 |
| 管理对象 | 提示词本身 | 系统提示 + 历史 + RAG + 工具定义 + 格式要求 |
| 核心技能 | 自然语言表达 | 信息筛选 + 检索 + 记忆管理 + 工作流设计 |
| 复杂度 | 相对低 | 涵盖整个 Agent 信息流 |
常见踩坑与反例
踩坑 1：把上下文工程等同于 Prompt 工程
错误描述：「上下文工程就是把提示词写得更好」。
正确做法：Prompt 只是上下文的一部分。上下文工程还包括历史、外部知识、工具定义、状态、输出约束和动态裁剪策略。
踩坑 2：把所有信息都塞进上下文
错误描述：系统提示、全量历史、所有检索结果、全部工具 schema 一股脑塞进去。
正确做法：按优先级管理上下文：系统约束保留，检索证据按相关性筛选，历史做摘要，工具按场景动态注入。
踩坑 3：只关注输入，不关注状态更新
错误描述：多轮任务里每轮都重新拼 prompt，不维护用户目标、已完成步骤和关键约束。
正确做法：把上下文当成状态管理问题，记录任务进度、决策依据、未完成事项，并在每轮更新。
踩坑 4：忽略输出格式也是上下文
错误描述：只约束模型「认真回答」，不定义 JSON schema、字段、引用格式或校验规则。
正确做法：结构化输出要求也是上下文工程的一部分，直接影响后端能否稳定解析和自动化执行。
面试官可能继续追问
追问 1：上下文工程和 Prompt 工程最大的区别是什么？ 答题要点：Prompt 工程关注指令怎么写；上下文工程关注进入模型的整个信息环境怎么设计、筛选、组织和动态更新。
追问 2：上下文里哪些信息优先级最高？ 答题要点：系统约束和安全规则最高，任务目标其次，关键状态和证据再其次；低价值历史和冗余检索结果应压缩或删除。
追问 3：长对话里怎么管理历史？ 答题要点：滑动窗口保近期上下文，摘要保长期关键事实，重要状态外部持久化，需要时再检索回来。
追问 4：上下文工程怎么评估效果？ 答题要点：看任务成功率、引用正确率、工具选择准确率、结构化输出通过率、token 成本和长对话稳定性。
🎯 面试总结
答这道题要清楚地说出上下文工程比 Prompt 工程更宏观：后者只管指令文字，前者管的是整个送进模型的信息环境。六大模块（系统提示、任务指令、历史、外部知识、工具定义、输出格式）说全，再补一句「其根本原理是：信息环境塑造智能行为」，这道题就满分了。