context engineering 技术介绍
Context Engineering（上下文工程） 是近两年在 AI 应用开发里非常重要的概念，可以理解为：
如何给大模型构造“最合适的上下文”，让它输出更好的结果。
简单说：
Prompt Engineering 是写提示词，Context Engineering 是设计整个输入上下文系统。
它的范围 远大于 Prompt。
# 一、为什么需要 Context Engineering
大模型有一个核心限制：
它只能基于当前输入的 Context（上下文）思考。
也就是：
LLM 思考能力 = Prompt + Context
如果上下文不好，就会出现：
- 幻觉（hallucination）
- 理解错误
- 长对话遗忘
- 输出不稳定
所以 AI 系统真正的工程问题是：
如何构造高质量上下文。
这就是 Context Engineering。
# 二、Context 里通常包含什么
一个成熟 AI 系统的 Context 一般包括 6 部分：
┌───────────────────────┐
│ System Prompt │
│ 用户输入 │
│ 历史对话 │
│ 检索知识（RAG） │
│ 工具结果 │
│ Agent思考过程 │
└───────────────────────┘
2
3
4
5
6
7
8
更完整一点：
Context =
System Prompt
+ Conversation History
+ Retrieved Knowledge
+ Tool Outputs
+ Memory
+ User Input
2
3
4
5
6
7
# 三、Context Engineering 的核心技术
通常包含 6 个关键技术模块。
# 1 Prompt 设计
最基础的一层。
例如：
You are a senior software architect.
Answer with concise technical explanations.
2
或者结构化 Prompt：
Role:
Task:
Constraints:
Output format:
2
3
4
但 Prompt 只是 Context 的 一部分。
# 2 RAG（知识注入）
把外部知识加入 Context。
流程：
用户问题
↓
向量检索
↓
相关文档
↓
拼接进Prompt
2
3
4
5
6
7
示例：
Context:
[文档1]
[文档2]
Question:
xxx
2
3
4
5
6
这样模型就能回答私有知识。
# 3 Conversation Memory
长对话时需要记住历史。
常见方式：
# Sliding Window
只保留最近 N 轮对话。
Last 10 messages
# Summarization Memory
把旧对话总结：
Conversation Summary:
用户正在开发React项目...
2
# Vector Memory
历史信息向量化，按需检索。
# 4 Tool Context
Agent 调用工具后，需要把结果加入 Context。
例如：
Tool: weather_api
Result: Beijing 22°C
2
再让 LLM 继续推理。
# 5 Token Budget 管理
LLM 有 上下文窗口限制。
例如：
- 8k
- 32k
- 128k
- 1M tokens
Context Engineering 需要做：
- 文档切片
- 去重
- 摘要
- relevance ranking
例如：
top_k = 5
max_tokens = 2000
2
# 6 Structured Context
让 Context 更结构化。
例如：
JSON 格式：
{
"user_question": "...",
"retrieved_docs": [],
"history": [],
"tool_results": []
}
2
3
4
5
6
结构化可以提高稳定性。
# 四、Context Engineering 架构
一个完整 AI 系统通常是：
User Input
│
▼
Context Builder
┌─────────────────────┐
│ Prompt Template │
│ RAG Retrieval │
│ Conversation Memory │
│ Tool Results │
│ System Rules │
└─────────────────────┘
│
▼
LLM
│
▼
Response
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
核心组件：
Context Builder
# 五、举个真实 AI Chat 例子
用户问：
如何优化React性能？
Context Builder 构造：
System:
You are a senior frontend architect.
History:
用户正在开发大型React系统。
RAG:
[React性能优化文档]
User:
如何优化React性能？
2
3
4
5
6
7
8
9
10
11
LLM 才开始回答。
# 六、为什么 Context Engineering 很重要
因为 LLM本身无法控制输出质量。
控制质量的唯一方式就是：
控制输入上下文。
这就是 AI 工程的核心。
# 七、Context Engineering vs Prompt Engineering
| 对比 | Prompt Engineering | Context Engineering |
|---|---|---|
| 范围 | 写提示词 | 设计上下文系统 |
| 包含 | prompt | prompt + RAG + memory |
| 是否涉及架构 | 否 | 是 |
| 是否工程化 | 低 | 高 |
所以很多 AI 工程师说：
Prompt Engineering 已经过时，Context Engineering 才是真正的 AI 工程。
# 八、现在 AI 系统基本架构
几乎所有 AI 产品都是：
Agent
│
▼
Context Engineering
│
▼
LLM
2
3
4
5
6
7
Context Engineering 负责：
- 信息输入
- 记忆
- 知识
- 工具结果
# 九、前端工程师需要做什么
在 AI Chat / Copilot 系统里，前端经常要参与：
# 1 上下文拼接
例如：
messages = [
systemPrompt,
history,
ragDocs,
userMessage
]
2
3
4
5
6
# 2 Token 管理
避免 Context 过大。
# 3 流式输出
SSE / WebSocket。
# 4 会话管理
保存 conversation。
# 十、什么是 Context Engineering？
Context Engineering 是 AI 应用开发中的关键技术，指的是通过设计和管理输入给大模型的上下文信息来提升生成质量。
它不仅包括 Prompt 设计，还包括 RAG 检索、对话记忆管理、工具调用结果、Token Budget 控制等。
在实际 AI 系统中，通常会通过 Context Builder 将用户输入、历史对话、检索知识和工具结果组合成最终的 Context，再发送给大模型进行推理。