Context Engineering
PulseAugur coverage of Context Engineering — every cluster mentioning Context Engineering across labs, papers, and developer communities, ranked by signal.
- instance of Loop engineering of amadoriase II and mutational cooperativity 90%
- used by Claude 5 90%
- instance of Graph Engineering 70%
- instance of Harness Engineering 70%
- other Harness Engineering 60%
- affiliated with Harness Engineering 60%
- affiliated with Graph Engineering 60%
- other Graph Engineering 50%
3 天有情绪数据
-
上下文工程：像管理缓存内存一样管理LLM的上下文窗口
上下文工程是一个新近认识到的领域，将其理解为管理大型语言模型的上下文窗口，就像管理缓存一样。这种方法强调，尽管上下文窗口大小不断增长，但模型并不会均匀地利用长上下文，这会导致性能下降和成本增加。有效的上下文工程涉及战略性地保留关键信息，并对不太关键的数据进行摘要或淘汰，类似于缓存写回机制，以维持模型的性能和效率。
-
在安全担忧下，上下文工程成为AI可靠性的关键
一门名为上下文工程的新兴学科正在出现，它专注于构建能够为AI代理提供每项任务所需精确信息、工具和约束的系统。这种方法旨在通过解决“上下文失败”（例如检索错误文档或使用过时信息）来提高可靠性，这些失败被认为是2026年生产问题的主要原因。与此同时，OpenAI的代理已被观察到访问RubyGems等来源的公共信息，引发了安全考虑，并且在2026年9月的补丁星期二中解决了大量漏洞。
-
AI 代理通过新的模型上下文协议 (MCP) 将 Token 使用量减少 4.2 倍
一位开发者概述了模型上下文协议 (MCP)，该协议利用三个层级——资源 (Resources)、工具 (Tools) 和提示词 (Prompts)——来显著减少 AI 代理的 Token 使用量。通过抽象底层细节并动态加载上下文，与命令行风格的方法相比，MCP 原生设置实现了 4.2 倍的 Token 削减，从 114,000 个 Token 减少到 27,000 个 Token。文章详细介绍了如何将上下文分为这些层级：工具用于操作，…
-
AI上下文工程面临“中间丢失”效应的挑战
上下文工程，区别于提示工程，专注于管理模型在推理时接收的所有输入，包括系统提示、工具定义和消息历史。一个关键挑战是“上下文腐烂”，即随着上下文长度的增加，模型变得不那么可靠，这不是由于内存故障，而是因为Transformer的注意力机制被过度拉伸。研究表明存在“中间丢失”效应，模型难以回忆起长上下文中间部分的信息，而在信息位于开头或结尾时表现最佳。
-
上下文工程工具包提升跨平台 AI 代理性能
一款用于高级上下文工程技术的新工具包已发布，提供旨在提高 AI 代理结果质量和可预测性的插件和技能。该工具包兼容 Claude Code、Gemini CLI 和 Antigravity CLI 等各种 AI 编码工具，侧重于最大限度地减少令牌使用并最大限度地提高效率。该方法强调为代理提供全面的项目上下文，类似于人类工程师的入职培训，而不是仅仅依赖于提示优化。这种向“上下文工程”的转变被认为是构建有效 AI 产品，特别是随着自主代理的…
-
上下文工程：超越提示词的LLM系统架构
上下文工程被视为构建复杂自主AI系统的关键系统架构学科，超越了简单的提示词优化。它涉及像管理RAM一样管理LLM的上下文窗口，确保模型在需要时接收精确的信息和指令。关键策略包括选择相关的外部数据、压缩上下文、在活动窗口外持久化状态以及隔离不同领域的上下文，以防止上下文投毒、分心、混淆和冲突等问题。
-
上下文工程：优化 AI 代理信息访问
上下文工程是一个新兴领域，专注于 AI 代理应该访问哪些信息，超越了传统的提示工程。这种方法旨在通过解决提示信息过多、检索工具不正确以及评估方法不足等问题来提高 AI 代理的性能。正在探索关键的架构见解以优化 AI 代理的行为和有效性。
-
揭秘5个关键AI术语：Embeddings、Agents、RAG、Fine-Tuning和Context Engineering
本文旨在揭秘人工智能领域的五个关键术语：Embeddings、AI Agents、检索增强生成（RAG）、微调（Fine-Tuning）和上下文工程（Context Engineering）。通过理解这些概念，读者可以更深入地了解现代AI系统的内部工作原理。
-
上下文工程成为超越提示的关键学科
上下文工程正作为一门独立于提示工程的学科出现，它侧重于对大型语言模型（LLM）输入的程序化组装，而不仅仅是单个提示的措辞。这一新领域解决了如何在模型固定的上下文窗口内管理和优化各种组件的问题，例如对话历史、检索到的数据和工具输出。专家认为，许多复杂AI代理的失败源于上下文管理问题，而非模型本身的局限性，这凸显了在该领域进行刻意设计和实验的必要性。
-
上下文工程成为关键的企业级人工智能学科
本文将“上下文工程”讨论为一项关键的企业级学科，将其视为核心产品而非仅仅是一个功能。文章提出，用于管理和优化人工智能模型交互的方法和工具正变得与模型本身同等重要。文章主张，应像对待其他成熟的企业实践一样，以同样的严谨性和战略重要性来对待这项工程学科。
-
提示、循环和图谱工程：理解 AI 代理架构
本文区分了三种不同的构建 AI 代理交互的方法：提示工程、循环工程和图谱工程。提示工程（现在常被称为上下文工程）侧重于仔细选择在任何给定时间提供给模型的信 息。循环工程（由 Ralph 等设置推广）涉及迭代优化，其中模型输出经过多轮测试和改进。图谱工程（以 LangGraph 等框架为例）定义了不同代理或步骤之间的显式执行路径和交接。作者强调，这些并非互斥或总是必需的层，而是可选的、嵌套的组件，可以根据复杂性添加，并建议从简单开始，仅…
-
上下文工程是有效AI系统的关键，而不仅仅是提示词的措辞
上下文工程已成为开发有效AI系统的关键学科，其重点在于为每次请求在模型有限的上下文窗口中战略性地选择相关信息。这种方法比传统的提示工程更具影响力，因为前沿模型虽然能力强大，但当关键信息在其即时上下文中缺失时，无论提示词如何措辞，其表现都会很差。令牌预算是一个关键限制，因此需要关注相关性密度——确保存在的令牌与查询高度相关——而不是简单地最大化令牌数量。
-
LLM上下文窗口需要调度器，而不是模板引擎，以实现稳健管理
当前管理LLM上下文窗口的方法通常依赖于简单的字符串连接和截断，这对于复杂应用程序来说是不够的。这种被称为“上下文工程”的方法缺乏操作系统或查询规划器等其他计算系统中发现的强大资源管理功能。一种更有效的方法是将上下文窗口视为一种有价资源，并配备一个专门的调度器来实现优先级分层、驱逐策略和可测试的不变量，而不是依赖基本的模板引擎。
-
AI 模型现在优先考虑可验证的作者身份信号而非传统 SEO
生成式引擎优化 (GEO) 的概念正从传统的搜索引擎排名转向与 AI 模型建立信任。重点现在是如何创建 AI 系统可以引用的可验证作者身份信号，这表明 AI 模型正朝着积极信任和引用内容创作者的方向发展。这种方法涉及 LLM 委员会、Ralph 循环和上下文工程等高级技术，以管理复杂的 AI 项目并在 AI 驱动的环境中建立信誉。
-
AI术语演进：澄清循环工程
作者讨论了AI术语的快速演变，从提示工程（prompt engineering）到上下文工程（context engineering）、循环工程（loop engineering）和图工程（graph engineering）。他们旨在阐明循环工程的概念，解释它并不像看起来那么复杂，并且已经是与Claude或ChatGPT等LLM日常互动的一部分。本文旨在提供一个实际示例来揭开该术语的神秘面纱。
-
AI中的上下文工程与提示工程
文章探讨了AI中上下文工程与提示工程的区别。文章提出，提示工程侧重于为AI模型精心设计具体的指令，而上下文工程则涉及提供更广泛的背景信息和数据来指导AI的响应。作者认为，上下文工程可能是实现预期AI结果的更有效方法。
-
Anthropic 详细介绍了 Claude 5 模型的新上下文工程规则
Anthropic 已经为其 Claude 5 系列模型概述了“上下文工程”的新策略，强调大上下文窗口并不等同于大注意力跨度。该公司建议，有效使用 Claude 5 需要一个信息管理决策框架，而不是简单地提供更多数据。主要变化包括减小系统提示的大小，偏好精心设计的工具而非明确的示例，以及通过技能和延迟加载采用信息的“渐进式披露”。
-
AI工程演进：提示、循环和图控制层详解
提示工程、循环工程和图工程这些术语代表了AI系统中不同的控制层级，而非相互竞争的技术。提示工程专注于单个模型的响应，循环工程管理代理的行为周期，而图工程则协调多个代理。随着AI任务日益复杂和自动化，对这些更高级别控制层级的需求也在增加，提示工程即使在更复杂的系统中，仍然是基础要素。
-
将大型语言模型应用的重心从提示词工程转向上下文工程
开发大型语言模型应用的重点正从提示词工程转向上下文工程。虽然提示词工程有助于模型理解指令，但上下文工程通过管理模型在推理时接收到的信息，对生产系统至关重要。这涉及到检索、记忆管理、工具输出格式化以及修剪无关数据等技术，以确保模型拥有提供准确响应所需的必要上下文，尤其对于复杂的AI代理而言。
-
开发者分享 Hermes Agents 三个月经验，强调上下文和优化
一位 AI 开发者分享了他们使用 Hermes Agents 三个月的经验，提供了关于有效代理开发的见解。他们强调了上下文的关键作用、代理技能和 Markdown 等数据格式的细致优化，以及强大的可观察性和评估策略的必要性。该开发者还提倡在多代理应用程序中使用内存和配置文件，认为问题通常源于工程实践而非工具本身。