Context Engineering：概念与技术实现深度解析
来自《步子哥的技术工作坊》
上下文工程并不仅仅是构造prompt，它是一种系统化的上下文管理方法，目的是让大语言模型在复杂任务中实现更精准、可控的推理与执行。本海报深入解析Context Engineering的核心概念、技术实现及RAG在其中的关键作用。
psychology Context Engineering的核心概念
上下文管理机制的关键要素
- 信息选择：每个节点使用哪些信息？
- 信息更新：分别更新或修改哪些信息？
- 信息传递：多步骤间如何传递？
- 信息共享：智能体间是否共享、如何共享？
hub RAG在Context Engineering中的作用
检索阶段（Retrieval）
- 将用户问题转化为高维向量表示
- 与知识库中的文档向量进行比对
- 找出最相关的文档片段
- 确保检索结果的精准性和相关性
生成阶段（Generation）
- 将检索结果与原始问题一同输入
- 生成模型深度融合检索到的知识
- 通过调节超参数优化生成结果
- 确保输出的准确性和上下文相关性
RAG应用流程
- 数据准备阶段：数据提取 >> 文本分割 >> 向量化(embedding) >> 数据入库
- 应用阶段：用户提问 >> 数据检索(召回) >> 注入Prompt >> LLM生成答案
architecture 技术实现案例
不同框架中的Context管理策略
- Gemini Deep Search（编排式）：节点级隔离，无状态传递，模块化设计
- OpenManus Flow Mode（规划式自主）：Step级隔离，显式Plan & Step状态管理
- OpenManus Manus Mode（纯自主）：线性增长+窗口截断，传递完整ReAct历史
trending_up 未来展望
Context Engineering的发展趋势
- 从”工具增强”到”流程重构”的形态升级
- 从”AI融入IDE”到”AI自主执行开发任务”
- 从”编辑器中心”走向”任务中心”
- 推动LLM从”工具”向”智能体”演进
Context Engineering的核心概念
上下文管理机制是智能体设计的核心命脉
- 信息选择：每个节点使用哪些信息？
- 信息更新：分别更新或修改哪些信息？
- 信息传递：多步骤间如何传递？
- 信息共享：智能体间是否共享、如何共享？
integration_instructions 关键技术点
alt_route
LangChain动态上下文流
构建灵活的上下文传递管道，实现信息在多个组件间的无缝流转
search
RAG在上下文生成中的作用
通过检索增强生成，动态扩展模型知识边界，提供精准的上下文支持
account_tree
Agent框架上下文调度
智能体如何管理、调度上下文信息，实现任务规划与执行
layers
多层上下文融合策略
Prompt层、工具层、记忆层等多层次上下文的有效融合与协同
RAG在Context Engineering中的作用
RAG（Retrieval-Augmented Generation）是Context Engineering的核心技术之一，它通过结合外部知识检索和生成能力，显著提升LLM的精准性和可控性。
sync_alt RAG的工作原理
search
检索阶段
将用户问题转化为高维向量表示，与知识库中的文档向量进行比对，找出最相关的文档片段
auto_awesome
生成阶段
将检索结果与原始问题一同输入生成模型，生成模型将检索到的知识与问题的语义信息进行深度融合
account_tree RAG的应用流程
完整RAG应用流程
数据准备阶段
数据提取
文本分割
向量化(embedding)
数据入库
应用阶段
用户提问
数据检索(召回)
注入Prompt
LLM生成答案
技术实现案例
compare 不同框架中的Context管理策略
Gemini Deep Search
编排式
layers
Context范围
节点级隔离
每节点用特定输入
每节点用特定输入
swap_horiz
Context传递
传递任务结果
Query列表，摘要文本
Query列表，摘要文本
settings
状态管理
无显式状态
依赖数据流
依赖数据流
OpenManus Flow Mode
规划式自主
layers
Context范围
Step级隔离
每Step用Plan状态+当前任务
每Step用Plan状态+当前任务
swap_horiz
Context传递
外层传递Plan状态+Step结果
内层全部历史
内层全部历史
settings
状态管理
显式状态管理
Plan & Step状态
Plan & Step状态
OpenManus Manus Mode
纯自主
layers
Context范围
线性增长+窗口截断
全历史
全历史
swap_horiz
Context传递
传递完整ReAct历史
截断后
截断后
settings
状态管理
隐含状态管理
在消息历史中
在消息历史中
code 工程实现与案例分析
基于LangChain搭建多模块Context Engine
利用LangChain的模块化组件构建动态上下文流，实现不同模块间的信息高效传递与融合，提升复杂任务处理能力。
Agent在多轮对话中维持与更新上下文
通过记忆模块与上下文管理策略，使Agent能够在长对话中保持连贯性，动态更新上下文信息，避免信息断层与冲突。
缓存机制与记忆模块优化响应一致性
引入缓存机制存储频繁检索的文档向量，减少重复计算；通过记忆模块记录对话历史，确保多轮对话中上下文一致性。
未来展望
思辨与延伸
- forum 与人类对话中的语境理解进行类比
- trending_up Context Engineering推动LLM从工具向智能体演进
- all_inclusive 评估其在未来AI应用中的可扩展性
应用前景
- code Copilot：实时检索代码仓库或API文档，生成更实用的代码建议
- autorenew 自动化流程：支持任务分解和规划，实现复杂业务流程的自动化
- hub Agent系统：多Agent协作系统中的上下文共享与协同
priority_high 挑战与机遇
precision_manufacturing
检索准确性
需要高质量的知识库和fine-tuned嵌入模型
straighten
上下文长度
LLM的token限制可能导致长上下文截断，需优化分块策略
speed
实时性
在动态任务中，RAG的检索速度需进一步提升