微精选

大型语言模型（LLMs）如GPT-4、Claude等的核心性能并非仅取决于模型参数，而关键由推理时提供的上下文信息决定。传统“提示工程”（Prompt Engineering）聚焦于优化单次文本输入，但现代AI系统需处理动态、结构化、多源的信息流（如实时数据、知识图谱、历史对话）。

• 论文：A Survey of Context Engineering for Large Language Models
• 链接：https:///pdf/2507.13334

本文提出“上下文工程”（Context Engineering）作为新兴学科，旨在系统化设计、管理和优化LLMs的信息负载。通过对1400余篇论文的综述，论文首次构建统一框架，将碎片化的技术（如RAG、记忆系统、多智能体协作）整合为“基础组件”与“系统实现”两层体系，并揭示LLMs存在的根本矛盾：在复杂上下文理解上表现卓越，但在长文本生成、逻辑一致性维护上显著受限。这一发现为下一代AI系统的发展指明方向。

核心概念：上下文工程定义

核心问题：如何形式化描述LLM与上下文的交互？
论文突破性地将上下文 ( C ) 定义为动态结构化信息组件的集合，而非静态字符串。其数学形式化包含两个关键层次：

• 组件层：

  其中  代表不同信息源（如指令 、外部知识 、记忆 )， 是组装函数（如优先级排序、模板格式化）。这解决了传统提示工程无法灵活整合多源信息的缺陷。

• 优化层：

• ：上下文生成函数集（检索/选择/组装）
• ：具体任务实例
• ：输出质量评估函数
  意义：将上下文设计转化为系统级优化问题，目标是最大化任务期望收益，而非局部提示调整。

关键数学原理：

• 信息论最优性：检索组件需最大化与答案  的互信息 ，确保信息相关性。
• 贝叶斯推理：推断最优上下文后验概率 ，通过似然函数  和先验  处理不确定性，适用于多步推理场景。

与提示工程的本质区别：

基础组件分解

上下文检索与生成

• 提示工程进阶：

• 思维链（CoT）：将问题分解为中间步骤（如“Let’s think step by step”），在数学推理上将准确率从17.7%提升至78.7%。
• 思维树（ToT）：分层探索备选推理路径，24点游戏成功率从4%升至74%。
• 思维图（GoT）：以图结构建模推理依赖，较ToT质量提升62%，成本降31%。

• 外部知识检索：

• RAG基础架构：融合参数化知识（模型权重）与非参数化知识（外部检索）。
• 知识图谱集成：如KAPING框架通过语义匹配检索相关事实，无需模型重训练。
• 智能体驱动检索：LLM智能体动态分析内容、交叉引用信息（如Agentic RAG）。

• 动态上下文组装：

• 自动化优化：如Automatic Prompt Engineer (APE) 用搜索算法发现最优提示。
• 多智能体协作：模拟专家团队（分析师/程序员/测试员），代码生成通过率提升29.9-47.1%。

上下文处理

• 长上下文处理：

• 状态空间模型（SSM）：如Mamba实现线性复杂度。
• 位置插值：扩展上下文窗口（如LongRoPE支持2048K token）。
• 稀疏注意力：如S²-Attn保留92%性能，显著节省计算。
• 计算瓶颈：Transformer注意力机制 ( O(n^2) ) 复杂度，序列增至128K token时计算量增122倍。
• 创新架构：

• 自优化与元学习：

• 自迭代优化：Self-Refine框架让LLM同时担任生成器、反馈提供者、优化器，GPT-4性能提升20%。
• 元学习：SELF框架让LLM通过生成-过滤自有数据持续进化，减少人工监督。

• 多模态与结构化整合：

• 多模态挑战：模型常偏向文本输入，忽略视觉细节（“模态偏见”）。
• 结构化数据：知识图谱嵌入（如GraphToken）提升图推理任务73个百分点。

上下文管理

• 内存架构：

• 短时内存：上下文窗口内KV缓存。
• 长时内存：外部存储（如MemGPT模拟操作系统分页）。
• 层次设计：
• 认知启发：MemoryBank基于艾宾浩斯遗忘曲线动态调整记忆强度。

• 压缩技术：

• 上下文压缩：如QwenLong-CPRS按自然语言指令动态压缩。
• KV缓存优化：Heavy Hitter Oracle (H₂O) 通过淘汰低贡献token提升吞吐量29倍。

系统实现架构

检索增强生成（RAG）

• 模块化RAG：
  分层架构（顶层阶段/中间子模块/底层操作单元），支持路由、调度与融合机制。如FlashRAG提供5核心模块灵活组合。

• 智能体驱动RAG：
  将检索转化为动态操作（如PlanRAG：先规划后检索），整合任务分解与反思机制。

  

• 图增强RAG：
  用图结构捕获实体关系（如GraphRAG社区检测分层索引），解决传统RAG上下文漂移问题。

实时应用挑战：

• 动态知识更新：增量索引避免全量重训练。
• 低延迟检索：图方法优化速度-精度平衡（如LightRAG双级检索）。

内存系统

• 短时内存：
  上下文窗口内KV缓存（如Transformer灵活检索，LSTM侧重早期语义）。

• 长时内存：

• 文本存储：完整交互历史。
• 知识表示：摘要/知识三元组/混合形式。
• 操作：编码/检索/反思/遗忘（如Reflective Memory管理冲突消解）。

商业应用：

• Google Gemini：跨生态长时记忆个性化体验。
• ChatGPT Memory：跨会话对话记忆。

工具集成推理

• 函数调用机制：

• 技术演进：ToolFormer（自主API学习）→ ReAct（“思考-行动-观察”循环）→ OpenAI JSON标准化。
• 训练方法：微调（稳定性高） vs. 提示工程（灵活性强）。

• 环境交互框架：

• 单工具：PAL生成Python代码委派计算。
• 多工具协调：Chameleon组合视觉模型/搜索引擎/Python函数。
• 强化学习：ReTool优化代码解释器使用，数学推理准确率67%。

评估瓶颈：

• GAIA基准测试：人类任务完成率92% vs. GPT-4仅15%。
• 工具选择准确性：嵌套调用错误率显著上升。

多智能体系统

• 通信协议标准化：

• MCP（模型上下文协议）：类USB-C的AI交互标准。
• A2A（智能体间协议）：基于能力卡片的安全协作。
• 挑战：协议碎片化与安全漏洞。

• 编排机制：

• 先验编排：输入预分析选择智能体。
• 后验编排：并行调用+置信度评估（如3S协调器）。
• 核心需求：事务完整性保障（如SagaLLM框架）。

应用场景：

• 医疗健康：协调专科智能体处理临床查询。
• 网络管理：上下文感知资源分配。

关键发现与挑战

核心不对称性（Core Asymmetry）

问题本质：
LLMs在上下文理解（如复杂文档分析、多源信息整合）上表现卓越，但在长文本生成（如报告撰写、多步规划）中暴露出三大缺陷：

1. 逻辑连贯性断裂
2. 事实一致性下降（如早期结论被遗忘）
3. 规划深度不足
   实验证据：

• 延伸思维链任务中，性能因“中间信息丢失”下降多达73%。
• 自动评估显示，生成质量随长度增加呈指数级衰减。

评估困境

• 组件级评估：
• 传统指标（BLEU/ROUGE）无法捕捉推理链质量。
• 长上下文测试依赖“大海捞针”（Needle-in-Haystack）范式，缺乏系统性。
• 系统级评估：
• 多智能体协作缺乏事务完整性验证（如LangGraph无原子性保证）。
• 商业助手在长交互中准确率下降30%（LongMemEval基准）。

案例：WebAgent评测

技术瓶颈

• 长度扩展：
  注意力机制 ( O(n^2) ) 复杂度使百万级token处理成本过高。
• 内存管理：
  KV缓存随序列增长成瓶颈（如128K请求需16GB内存）。

结论

本文首次将上下文工程确立为一门系统化学科，通过对1400+篇文献的整合，构建了“基础组件-系统实现”双层框架，终结了RAG、记忆系统、多智能体等领域的技术碎片化。其核心贡献在于：

1. 形式化定义：将上下文建模为动态优化问题，奠定数学基础（信息论/贝叶斯推理）。
2. 关键技术图谱：

• 基础层：检索/处理/管理组件的创新（如SSM长文处理、自迭代优化）。
• 系统层：四类实现架构的演进（模块化RAG→工具集成智能体）。

未来研究需聚焦三大方向：

• 理论：建立上下文组合的数学规范。
• 技术：突破长文本生成瓶颈，实现多模态/图结构深度融合。
• 伦理：设计内存隐私保护与多智能体责任机制。

此框架不仅为研究者提供技术路线图，更推动AI从“静态提示”迈向“动态上下文感知”的新范式。