Context Engineering

参考资料

随着 AI 应用从简单的“聊天”转向复杂的“智能体（Agent）”自主任务，上下文工程已经成为决定 AI 表现的核心技术。

Context Engineering的实现方法，主要可以划分为四个步骤：

这四个步骤——保存 (Write)、选择 (Select)、压缩 (Compress)、隔离 (Isolate)——正是构建高效 AI 智能体（Agent）和复杂应用的“黄金法则”。它们构成了一个动态的循环系统，确保 AI 在处理长任务时不会“变笨”或“发疯”。

核心目的： 突破模型上下文窗口（短时记忆）的限制，实现信息的持久化。就像人类会把重要的事情记在笔记本上一样，AI 也需要把关键信息“写”到外部存储中，以便在未来随时调用。

持久化记忆 (Persistent Memory)：
- 用户画像： 记住用户的名字、偏好（如“我对海鲜过敏”）、长期目标。
- 项目规范： 比如 Cursor 的 .cursorrules 或 Claude Code 的 CLAUDE.md，这些文件定义了项目的核心规则，每次交互都要“写入”到上下文中。
便签与草稿 (Scratchpad)：
- 在处理复杂任务时，让 AI 把中间步骤、思考过程或待办清单写入一个独立的文本文件或状态变量中。这样即使对话很长，AI 也能通过读取“便签”找回状态，而不会因为上下文截断而迷失方向。
工具反馈记录：
- 将 API 调用的结果、代码执行的日志保存到外部数据库或向量存储中，而不是全部堆在当前的对话窗口里。

核心目的： 在海量信息中，精准筛选出当前任务“最需要”的内容，提高信噪比。你不能把整个图书馆的书都搬给 AI，它会被“撑死”或分心。

静态选择 (Static Select)：
- 系统预设： 无论用户问什么，都必须加载的基础指令（如“你是一个资深的 Python 工程师”）。
- 规则文件： 强制加载的项目规范或合规性条款。
动态选择 (Dynamic Select / RAG)：
- 检索增强生成 (RAG)： 这是最主流的方法。当用户提问时，系统先去向量数据库检索与问题最相关的文档片段，只把这几段话喂给 AI。
- 工具路由 (Tool Routing)： 如果系统有 100 个工具，AI 不需要知道所有工具的详情。通过检索，只把当前任务可能用到的 3-5 个工具的定义（Schema）放入上下文。
模型驱动选择：
- 让一个小模型（或当前模型）先分析任务，决定需要加载哪些模块的知识。

核心目的： 在有限的 Token 预算内，保留核心信息，腾出空间给新的交互。随着对话进行，历史记录会占用大量 Token。压缩就是要把“废话”挤干，只留“干货”。

摘要 (Summarization)：
- 对话总结： 当对话轮数过多时，调用模型对早期的对话历史进行总结（例如：“用户之前要求修复了登录页面的 CSS 错误”），用一段简短的总结替代原本冗长的几十轮对话。
- 递归摘要： 对摘要再次摘要，层层提炼。
修剪 (Trimming/Pruning)：
- 滑动窗口： 只保留最近的 N 轮对话，丢弃最早的内容。
- 去噪： 删除无关的系统日志、重复的错误信息或已经被修正的旧代码片段。
智能分块 (Chunking)：
- 将长文档切分成语义完整的片段，只处理当前需要的片段，而不是把整本书读进去。

核心目的： 防止信息干扰（Context Clash），支持多任务并行。当 AI 同时处理多个任务，或者不同任务之间有冲突信息时，隔离至关重要。

多智能体隔离 (Multi-Agent Isolation)：
- 在 Swarm（蜂群）架构中，不同的专家 Agent（如“程序员”、“测试员”、“产品经理”）拥有各自独立的上下文窗口。程序员不需要看到产品经理和测试员之间的闲聊，只需要接收明确的修改指令。
沙盒环境 (Sandboxing)：
- 代码执行或工具调用的环境应与主对话隔离。例如，代码运行的报错日志、生成的临时文件，只在沙盒内处理，只有最终的运行结果（成功/失败）才返回给主上下文，避免大量垃圾日志污染主逻辑。
状态字段隔离：
- 在系统设计中，将“系统内部状态”（如数据库连接串、API 密钥）与“用户可见上下文”物理隔离，既保证安全，又防止模型在回答时意外泄露敏感信息。

这四个步骤不是线性的，而是一个实时运行的闭环：