上下文工程思想在大模型应用的体现

提示词工程强调的是单次用户输入的结构化prompt，包含用户角色、职责等定义，让大语言模型能够更好理解我们的意图做出回答

而随着agent系统的发展,我们需要利用llm完成更多的系统决策、推理、工具调用。这需要大量与环境交互的信息，这些信息会被一起给到大语言模型进行理解，然后大语言模型的上下文窗口是有限的，所以如何管理这些上下文信息是比较重要，能够让agent系统能够准确完成我们的指令任务，输出正确的内容

Context engineering as an umbrella that applies across a few different context types:
Instructions – prompts, memories, few‑shot examples, tool descriptions, etc
Knowledge – facts, memories, etc
Tools – feedback from tool calls

随着用户的需求进一步升级，比如多轮对话、多角色协作、深度研究、用户状态追踪等复杂任务的不断涌现，模型应用从短指令走向长流程、从静态调用走向动态交互之后，大家会发现：真正影响输出质量的，是整个输入结构的系统设计能力，而不止是用户或系统提示词本身。于是，上下文工程应运而生。它不只是对提示词工程的简单补充，而是关注整个上下文的组织方式、信息来源、结构设计和动态调度。这预示着围绕“如何获取更好输出”这一核心目标的方法论，正在发生根本性的变化

上下文工程包括上下文从哪来？保留哪些？丢弃哪些？是否要压缩？如何压缩？是否需要隔离？谁来写？谁来拼接？所有这些问题构成了上下文工程的工作边界。。

https://blog.langchain.com/context-engineering-for-agents/