圖片

今天我們要探討一篇非常有前瞻性和系統性的論文：《上下文工程2.0：上下文工程的“上下文”》（Context Engineering 2.0: The Context of Context Engineering）。現在都在玩各種大模型、AI Agent，天天都在說“Prompt Engineering”，感覺這是個很新的東西。

但這篇論文告訴我們，我們可能只看到了冰山一角。它把我們的視野從當下的“技術熱點”拉到了一個更宏大、更深刻的“歷史演進”和“理論框架”的層面。

第一部分：“上下文工程”不是新事物

這篇論文的核心論點：上下文工程（Context Engineering）并非誕生于LLM時代，而是一門已經發展了二十多年的、伴隨機器智能水平不斷演進的學科。

我們現在做的所謂“提示詞工程”、“RAG（檢索增強生成）”等等，都只是“上下文工程”在當前這個時代（也就是論文定義的2.0時代）的具體實踐形式。

那到底什么是“上下文工程”呢？

1.什么是“上下文”（Context）？

論文給出了一個非常經典且寬泛的定義：“任何可以用來描述‘實體’（人、地點、物體）狀況的信息，只要這些實體與用戶和應用的交互相關，都算上下文。”

這個定義非常重要。不要把“上下文”狹隘地理解為對話歷史記錄。你當前所在的文件夾路徑、你的操作系統、你正在使用的軟件、甚至你過往的偏好、外部可調用的API工具……這些都是上下文。它是情境的總和。

2.什么是“上下文工程”（Context Engineering）？

它是指系統性地設計、收集、存儲、管理和使用上下文信息，以增強機器對人類意圖的理解和任務執行能力的過程。關鍵詞是“系統性地”。

它不是零敲碎打的技巧，而是一整套方法論。它的根本目的始終沒變：彌合人類的高熵、模糊意圖與機器所能理解的低熵、結構化指令之間的鴻溝。

第二部分：上下文工程的四個時代

這篇論文最具洞見的地方，就是提出了一個“四階段”的演化模型，把上下文工程的發展和機器智能的等級牢牢綁定在了一起。

?1.0 時代：原始計算時代 (1990s - 2020)

特征：機器智能水平低，只能理解結構化、低熵的輸入。

人機關系：“人適應機器”。

實踐：我們用圖形界面（GUI）的菜單、按鈕，或者早期的環境感知計算（比如手機進入會議室自動靜音），這些都是把復雜的意圖“翻譯”成機器能懂的簡單指令。設計師是“意圖翻譯官”。

?2.0 時代：智能體時代 (2020 -至今)

特征：以LLM為代表，機器開始具備理解自然語言和處理模糊信息的能力。

人機關系：“機器開始適應人”。

實踐：這就是我們現在所處的時代。我們用自然語言寫Prompt，用RAG給模型“喂”知識，設計復雜的Agent工作流。上下文變成了給一個有能力的“智能體”下達的指令（Instruction）。

3.0 時代：人類水平智能時代 (未來)

?特征：AI達到與人類相當的推理和理解能力。

?人機關系：人機成為真正的協作者（Collaborator）。

?暢想：AI能像人一樣感知社交氛圍、情緒狀態等高熵信息。交互會變得極其自然，不再需要費盡心思地“設計”上下文，AI能自己“領悟”。

4.0 時代：超人類智能時代 (暢想)

?特征：機器智能超越人類。

?人機關系：發生反轉，機器成為啟發者（Master）。

?暢想：AI不再是被動地理解我們給它的上下文，而是能主動為我們構建全新的上下文，揭示我們自己都未曾意識到的深層需求。就像AlphaGo下出了人類棋手從未想過的棋路一樣。

可以看到，從1.0到4.0，機器的智能水平越高，處理上下文的能力越強，我們人類需要付出的“翻譯成本”就越低。這就是整個演進的核心驅動力。

第三部分：上下文工程的三大支柱

講完了宏觀歷史，我們來看看具體的“工程實踐”。論文從三個維度系統地梳理了上下文工程的技術要點，這部分對大家做實際項目非常有指導意義。

1. 上下文的收集與存儲 (Context Collection & Storage)

?怎么收集？從1.0時代的GPS、時鐘等簡單傳感器，進化到2.0時代的多模態、多設備（手機、可穿戴設備、IoT）的持續信息流。

?怎么存儲？從1.0時代的本地日志文件，進化到2.0時代的分層存儲架構。這很像我們計算機的存儲體系：

短期內存（RAM）：對應模型的上下文窗口，快速但有限。

長期內存（硬盤）：對應外部數據庫（向量數據庫、SQLite等），持久且海量。

2. 上下文的管理 (Context Management)

這是整個工程的“大腦”，也是最復雜、最核心的部分。如何把原始、雜亂的上下文變得井井有條、易于使用？

?上下文的組織：

分層記憶架構：明確區分短期記憶和長期記憶。重要的、反復使用的信息，要從短暫的上下文窗口沉淀到長期的知識庫里。

上下文隔離 (Context Isolation)：這個思想非常巧妙。比如論文提到的子智能體（Subagent）。讓一個主Agent負責統籌，把特定任務（如代碼分析、文件讀寫）交給擁有獨立上下文的子Agent處理。這樣做的好處是，防止不同任務的上下文互相“污染”，也讓系統更加模塊化、穩定可靠。

• 上下文的抽象，或者叫“自我烘焙” (Self-Baking)

這是一個非常形象的比喻。Agent不能只是被動地存儲信息，它必須能主動地“消化”和“吸收”自己的經歷，把原始上下文“烘焙”成更緊湊、更結構化的知識。這才是從“記憶”到“學習”的關鍵。

方法1：自然語言總結。定期讓模型自己寫個工作小結，總結最近發生了什么。簡單直接，但不夠結構化。

方法2：固定模式提取。將關鍵信息提取到一個預設的結構（Schema）里，比如任務樹、實體關系圖。這讓信息變得可查詢、可推理。

方法3：漸進式向量壓縮。把信息編碼成向量（Embedding），并隨著時間推移，將舊的向量融合成更抽象的、更高層次的語義記憶。

3. 上下文的使用 (Context Usage)

管理好的上下文，最終要為任務服務。

?上下文的選擇：上下文窗口是寶貴的資源，不能什么都往里塞。必須有一套有效的篩選機制，論文稱之為“注意力之前的注意力”。你需要根據語義相關性、邏輯依賴性、新近度等因素，動態地選擇最關鍵的信息放入窗口。

?上下文的共享：

系統內共享：多個Agent如何協作？可以通過Prompt傳遞、結構化消息交換，或者一個共享的“黑板”（Shared Memory）來通信。

跨系統共享：你的AI助手如何與Office套件協同？需要通過適配器（Adapter）或者統一的上下文表示協議來實現。

?主動的用戶需求推理：最高級的用法是，系統能通過分析長期上下文，主動預測你的潛在需求。比如，發現你總是在下午搜索咖啡店，就主動在下午推薦附近的優惠。

最后，論文指出了當前面臨的挑戰：比如長上下文處理的性能瓶頸、上下文收集的效率低下、模型對復雜邏輯的理解不足等。

并提出了一個非常宏大的終極構想——“上下文的語義操作系統”（Semantic Operating System for Context）。

這是什么概念？想象一下，未來會有一個系統，它能管理一個人一生的數字痕跡（對話、決策、行為），像一個動態的、有生命的個人知識庫。它能實現真正的長期記憶、持續學習、甚至具備遺忘機制。到那時，我們的“數字孿生”或者說“數字存在”，將不再是科幻，而是由我們一生的上下文所定義的現實。

本文轉載自????芝士AI吃魚????，作者：芝士AI吃魚