PulseAugur
中
实时 14:48:17
实体 Context Engineering

Context Engineering

PulseAugur coverage of Context Engineering — every cluster mentioning Context Engineering across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
8
90 天内 48
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 5
层级分布 · 90 天
主题
关系
情绪 · 30 天

6 天有情绪数据

最近 · 第 1/3 页 · 共 57 条
  1. COMMENTARY · CL_358501 ·

    提示工程演变为 LLM 的上下文工程

    “提示工程”的概念正在演变为“上下文工程”,这是一种更全面的指导大型语言模型(LLM)的方法。这一转变由 Tobias Lütke 和 Andrej Karpathy 等人物推广,强调管理输入到 LLM 上下文窗口的所有信息,而不仅仅是关注提示本身。上下文工程涉及战略性地组合系统指令、检索到的数据、对话历史和其他元素,以确保 LLM 输出的可靠性和准确性。

  2. COMMENTARY · CL_347002 ·

    随着大型语言模型交互的成熟,提示工程演变为上下文工程

    提示工程曾是与 GPT-4 等大型语言模型交互的一项炙手可热的技能,如今正演变为一项更基础的元素,类似于网页开发中的 HTML。新出现的“上下文工程”学科,由 Andrej Karpathy 推广,专注于战略性地管理大型语言模型上下文窗口内的信息。这一转变的驱动因素是认识到仅仅增加上下文窗口大小并不能保证更好的性能,因为模型可能会遇到“中间迷失”、“上下文腐烂”、“投毒”、“分心”、“混淆”和“冲突”等问题。因此,AI 应用面临的主要…

  3. COMMENTARY · CL_334230 ·

    上下文工程成为关键 AI 技能,取代提示工程

    上下文工程正作为一项关键技能在人工智能领域崭露头角,有可能取代传统的提示工程。这种新方法侧重于构建和管理输入到 AI 模型的信息,以获得更精确、更相关的输出。这一转变反映了 AI 交互日益增长的复杂性以及需要更复杂的方法来指导模型行为。

  4. TOOL · CL_331657 ·

    金融AI架构通过多智能体LLM和知识图谱减少幻觉

    一种新的金融AI系统架构整合了金融知识图谱、确定性优化引擎和多智能体LLM层,以提高准确性和可追溯性。这种“三引擎架构”利用上下文工程来管理来自各种企业系统的信息。在生产部署中,这种方法将幻觉率从7-9%降低到1%以下,尽管数据质量和租户特定模式仍然是实施中的挑战。

  5. COMMENTARY · CL_322628 ·

    上下文工程成为可靠AI代理的关键

    上下文工程对于开发可靠的AI代理至关重要,它专注于管理代理在任务的每个步骤中访问的信息。这种实践超越了传统的提示工程,通过持续组装和优化代理的上下文,包括指令、检索到的数据和过去的输出。研究表明,更大的上下文窗口并不一定能提高准确性,因为模型可能会在注意力方面遇到困难,甚至可能被不相关的信息误导,这种现象被称为上下文投毒或分心。

  6. COMMENTARY · CL_322280 ·

    作者称AI代理需要更好的代码架构,而不仅仅是提示

    文章认为,AI代理的失败并非源于糟糕的提示,而是源于代码库架构不足。文章提出“上下文工程”是优于提示工程的方法,强调需要设计能够有效管理和利用上下文的系统。作者Sean O'Malley开发了一个名为“suga”的开源编码代理,用Go语言编写,可在DEV Community上找到。

  7. COMMENTARY · CL_321143 ·

    上下文工程:大型语言模型提示工程的演变

    上下文工程是一门新兴学科,它通过管理大型语言模型(LLM)在给定请求中接收到的所有信息来扩展提示工程。这包括指令、检索到的知识、对话历史、工具定义和过去的工具结果。与传统的提示工程不同,上下文工程侧重于通过代码动态地组装这些信息,以确保模型在其上下文窗口内拥有最相关和最简洁的数据。其目标是通过仔细选择、格式化和分配提供的 token 来优化 LLM 的性能,因为过多的或不相关的内容会降低答案质量并增加成本。

  8. COMMENTARY · CL_304823 ·

    AI聊天上下文衰退:为何开启新对话至关重要

    AI用户,特别是构建AI产品的工程师,经常会遇到对话上下文的问题,这种现象被称为上下文衰退。当聊天线程中积累的信息,即使不相关或过时,也会对AI的响应产生负面影响。作者提倡为不同的任务或当对话方向改变时开启新的聊天线程,以缓解这些问题。这种方法有助于防止上下文干扰(旧指令过度限制新响应)和上下文混淆(不相关细节误导AI)等问题,例如涉及ChatGPT和产品命名,以及一份冗长的风格指南的例子就说明了这一点。

  9. COMMENTARY · CL_282549 ·

    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。

  10. COMMENTARY · CL_256559 ·

    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。

  11. TOOL · CL_255509 ·

    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,…

  12. TOOL · CL_248428 ·

    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。

  13. TOOL · CL_236763 ·

    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…

  14. COMMENTARY · CL_209988 ·

    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。

  15. COMMENTARY · CL_204487 ·

    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。

  16. COMMENTARY · CL_199872 ·

    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。

  17. COMMENTARY · CL_195270 ·

    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。

  18. COMMENTARY · CL_193126 ·

    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。

  19. COMMENTARY · CL_189903 ·

    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…

  20. COMMENTARY · CL_184429 ·

    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。