Context Engineering（上下文工程）
Context Engineering2026 年 Agent 的核心学科
亦作、亦称：上下文工程 · Context Eng
Context Engineering（上下文工程）强调系统性地设计每次 LLM 调用时填入上下文窗口的信息：系统提示、检索片段、工具结果、记忆与示例。Andrej Karpathy 2026 年将其类比为操作系统的内存管理——在有限「RAM」中加载正确「页面」。
与 Prompt Engineering
Prompt Engineering 常指单次指令措辞；Context Engineering 覆盖动态组装：何时检索、塞多少历史、如何压缩、工具返回格式等全链路信息架构。
常见模式
RAG 注入检索块；Agent 循环累积 tool message；分层记忆（工作/情景/语义）；上下文裁剪与摘要。目标是最大化任务相关信号、最小化噪声 token。
评估
关注有效上下文长度利用率、检索命中率、单任务 token 成本。生产系统需 A/B 测试不同上下文策略对质量与延迟的影响。
常见误解
日常交流中容易听到的简化说法，未必准确，但能帮助理解误解从何而来。
- 「2026 年 Agent 的核心学科」
- 「Agent 的信息架构设计」
相关术语
和本术语关联紧密的其他词条，便于串联理解。
🎯 考点练习
含该术语的高频面试题，含标准答案与追问。
- 初级概念高频查看详解 →
什么是 AI Agent？它与大语言模型（LLM）的本质区别是什么？
AI Agent 是以 LLM 为大脑、能感知环境并自主规划、调用工具、多步执行并按反馈迭代以达成目标的系统；LLM 只是无状态的文本输入到输出函数。
- 中级概念高频查看详解 →
解释 Harness Engineering 与 Prompt Engineering、Context Engineering 的区别和层次关系
2026 年 AI Engineer World's Fair（AIEWF）将 Harness Engineering 列为定义性技能。从 Prompt Engineering → Context Engineering → Harness Engineering 的范式演进，标志着 AI 工程从"写好提示词"到"设计好系统"的转变。Ryan Lopopolo 提出"Agents are not hard. The harness is hard."，Lilian Weng 发布《Harness Engineering for Self-Improvement》。
- 中级系统设计查看详解 →
如何为 AI Agent 交易设计审计和权限控制？
考察候选人对 Agent 经济活动的审计和权限控制设计，特别是 Smart Tokens 等可编程支付工具的应用。
- 高级系统设计查看详解 →
Multi-Agent 系统中如何处理 Agent 遗忘/状态丢失？
考察候选人对 Multi-Agent 系统中状态管理和容错设计的理解，特别是 Agent 崩溃、重启或上下文丢失时的恢复策略。
延伸阅读
从知识库精选 2 篇文章，帮助深入理解该术语。
- 1
Agent 上下文工程实战：从 128K 窗口到 2M 窗口的工程权衡与最佳实践
2026 年，AI Agent 的核心竞争力从「模型选择」转向「上下文工程」。上下文窗口从 128K 扩展到 2M token，但更大的窗口并没有简化问题——它创造了新的工程权衡。本文系统讲解上下文工程的四层架构（原始上下文、检索上下文、压缩上下文、持久化上下文）、六种窗口管理策略、以及 RAG vs 长窗口 vs 混合方案的实战选型指南。
- 2
AI Agent 记忆系统工程：四层架构、Mem0/Zep/Letta/LangMem 生产选型与 2026 最新进展
2026 年 6 月，AI Agent 记忆系统已从「可选插件」升级为「核心基础设施」。Futurum Research 提出四层 Agentic Memory 模型（工作记忆、情景记忆、语义记忆、程序性记忆），Mem0 以 47K+ GitHub Stars 成为最广泛使用的记忆平台，Zep 在时间感知记忆领域领先，Letta 提供自托管控制方案。本文系统讲解 Agent 记忆系统的四层架构设计、五大工具选型对比、遗忘与衰减机制、CAMS 安全模型、以及从原型到生产的完整工程路径。
外部参考
维基百科：查看「Context Engineering」词条本页内容为本站原创撰写；维基百科链接仅作延伸参考。