Context Engineering
PulseAugur coverage of Context Engineering — every cluster mentioning Context Engineering across labs, papers, and developer communities, ranked by signal.
10 天有情绪数据
-
AI开发重心从提示工程转向上下文工程，引发安全问题
“上下文工程”的概念正在成为AI开发中传统提示工程的潜在继任者。这种方法涉及将上下文更深入地集成到AI系统中，超越简单的提示优化。此外，一个相关的担忧是AI生成应用程序的安全性，出现了关于谁负责修补这些AI创建工具中漏洞的问题。
-
2026 年人工智能概念：关键术语入门指南
本文是关于 2026 年将相关的 17 个基本人工智能概念的入门指南。它强调了人工智能的讨论已从基本的聊天机器人和大型语言模型（LLM）演变为包含代理式 RAG、推理模型和上下文工程等术语。作者旨在揭开这些概念的神秘面纱，使读者能够就人工智能工具和输出做出明智的决定。
-
通过Claude自动化收件箱来解析AI概念
作者解释了如何通过使用Claude自动化收件箱，从而对几个现代AI概念有了实际的理解。通过使用Claude处理赞助邮件，作者对大型语言模型（LLMs）、代理（agents）、上下文工程（context engineering）、循环工程（loop engineering）、子代理（subagents）、约束工程（harness engineering）和人机协同系统（human-in-the-loop systems）有了深入的了解。…
-
无向量 RAG 模仿人类导航以改进文档检索
一种名为无向量 RAG 的检索增强生成（RAG）新方法绕过了对传统向量数据库的需求。该方法通过利用文档的固有结构（如标题和目录）来定位相关信息，从而模仿人类文档导航。与依赖文本块语义相似性的标准 RAG 不同，无向量 RAG 允许 LLM 推理文档结构，识别相关部分，然后生成答案。
-
提示和KV缓存技术将LLM推理速度和成本削减 · 跟踪3个来源
提示缓存和KV缓存是高效LLM推理的关键优化，可显著降低延迟和成本。提示缓存会在设定的时间内存储对相同提示的响应，默认的五分钟TTL在新鲜度和效率之间取得平衡，在80%的命中率下可能将成本降低高达64%。KV缓存对于实时聊天至关重要，它存储先前token的键（Key）和值（Value）状态，将生成过程从二次方复杂度转变为线性复杂度，并支持更长的上下文窗口，尽管它会消耗大量GPU内存。
-
上下文工程：在大型上下文窗口之外优化LLM信息
上下文工程已成为AI开发中的一个关键学科，其重点在于优化提供给大型语言模型（LLM）的信息，而不仅仅是增加上下文窗口的大小。这种做法涉及仔细选择和构建数据，以确保模型能够获得给定任务最相关的信息，从而提高推理能力、降低延迟并减少成本。采用了诸如语义分块、分层检索和上下文压缩等技术来最大化信号并最小化噪声，确保模型能够有效地利用呈现给它们的信息。
-
Andrej Karpathy 宣布提示工程已死，提倡上下文工程
提示工程正被上下文工程取代，这是 Andrej Karpathy 于 2025 年 6 月 25 日发出的信号。这一演变侧重于为 AI 模型提供更全面、结构化的信息，以提高其性能并减少对复杂提示设计的需求。这一变化意味着朝着更直观、更有效的方法来与 AI 系统交互和控制它们。
-
LLM上下文窗口不是知识库；策略性选择是关键
文章认为，仅仅增加LLM的上下文窗口大小并不等同于有效的上下文工程。相反，它强调了在正确的时间策略性地选择和呈现最相关信息给模型的重要性。作者提出了一个有用的上下文的七层模型，包括系统指令、任务契约、示例、检索、工作记忆、工具描述和近期历史，以确保高信号信息优先于不相关或冗余数据。
-
AI工作流的演变显示成本增加和控制减少
AI工作流的演变正朝着更复杂、更难控制的阶段发展，从提示工程开始，逐步发展到上下文工程、约束工程和循环工程。这种进展意味着每次迭代的成本都在增加，人类的监督在减少，可能导致系统不透明和依赖未经审查的做法。
-
AI 驱动的 DevOps 从提示工程转向上下文工程
本文讨论了在 AI 驱动的 DevOps 领域，提示工程向上下文工程的演变。它强调了在 AI 系统中管理和利用上下文的更复杂方法，特别是在 DevOps 实践的背景下。文章认为，这种转变对于提高 AI 在软件开发和运营中的应用效果和效率至关重要。
-
AI工程学演进：束带与循环概念涌现
文章讨论了AI工程学术语的演变，从提示工程和上下文工程超越，到2026年人类开发者提出的“束带工程”（harness engineering）和“循环工程”（loop engineering）。束带工程侧重于围绕大型语言模型的确定性运行时层，管理工具调用和执行；而循环工程则涉及设计自主代理循环。作者强调了人类监督和验证在AI开发中的重要性，并以RAPTOR和llloop等个人原型为例来说明这些概念。
-
循环工程成为热门AI技能，引发对其必要性的争论
“循环工程”的概念正成为人工智能领域的一个重要趋势，被一些人称为该领域最热门的技能。这种方法通过在问题空间中探索解决方案，其特点是迭代和潜在的蛮力方法。然而，也有讨论质疑这是否是AI行业真正需要的，一些人认为这代表着朝着更少的人类控制和更多的黑箱方法发展。
-
上下文工程成为关键AI技能，超越提示词优化
与提示词工程相比，上下文工程可能是更重要的利用AI工具的技能。这种方法侧重于为AI模型提供相关的背景信息和约束来指导其响应，而不是仅仅优化输入提示词。掌握上下文工程可能会从根本上改变用户与AI的交互方式以及从中受益的方式。
-
AI 交互术语：Vibe、Prompt 和 Context Engineering 详解
“Vibe coding”、“prompt engineering”和“context engineering”这些术语代表了与 AI 模型交互的不同层次。Vibe coding 涉及非正式的、探索性的请求，以快速实现功能性结果，优先考虑速度而非精确度。Prompt engineering 专注于精心设计输入，通过指定格式、提供示例和定义约束来引发更一致、更准确的输出。Context engineering 是最先进的，它涉及战略性地…
-
用户寻求个人AI“活记忆”系统的架构
一位Reddit用户正在寻求关于一个旨在管理大量项目信息的个人“活记忆”系统的架构建议。提议的“上下文引擎”将从电子邮件、文档和通话记录等各种来源摄取数据，以构建一个动态知识图谱。该系统旨在提供关于项目、决策和时间线的按需上下文，作为外部大脑，实现高效的信息检索。
-
AI 代理通过 Agentic Search 增强上下文工程
文章探讨了 Agentic Search 的概念，这是一种利用 AI 代理来增强大型语言模型上下文工程的方法。该方法旨在改进模型检索和利用信息的方式，从而可能产生更准确、更相关的响应。作者讨论了该技术对各种应用的意义，并强调了其在推进 AI 能力方面所起的作用。
-
New 'Augment Engineering' Methodology Orchestrates Multiple AI Tools
一篇新论文介绍了“Augment Engineering”，一种跨不同专业领域编排多个AI工具的方法论。该学科侧重于应用提示工程和上下文工程等可移植技能，以提高效率并减少对每个AI工具的专业领域专家的需求。一个案例研究表明，一名从业者成功地将这种方法应用于复杂的AI工具和领域堆栈，显示出首次通过率和生产速度的提高。
-
AI Agent开发分化为提示工程、上下文工程和Harness工程
构建AI Agent的工作正超越简单的提示工程而演变。它现在包含三个不同的学科：提示工程用于塑造模型行为，上下文工程用于管理模型有限窗口内的信息，以及Harness工程用于构建周围的软件基础设施。混淆这些角色可能导致代价高昂的错误，例如只关注措辞而忽略数据准确性或安全协议。
-
Karpathy 将 AI 开发重新定义为从提示到上下文工程
Andrej Karpathy 提出从“提示工程”转向“上下文工程”，认为前者不准确地代表了构建生产 AI 应用的复杂任务。他澄清说，现实世界的 AI 系统依赖于从系统指令、检索到的文档和对话历史等各种来源动态组装上下文窗口，而不是仅仅简单的用户提示。Karpathy 认为这个组装过程是真正的工程挑战，对于模型的最佳性能至关重要，并且不同于仅仅制作任务描述。
-
开发者担心AI代理可能会侵蚀编码技能，尽管生产力有所提高
一位软件开发者对AI代理和上下文工程可能削弱编码技能表示担忧，将其比作让画家只描述自己的作品。尽管如此，该开发者承认AI对生产力和编码民主化的积极影响，并指出自己过去两年的产出有所增加。