大模型应用技术之上下文工程：从入门到精通的思维演变5大编排模式，零基础小白收藏这一篇就够了！！

前言技术术语的更迭不仅是语言表达的更替更代表着思维范式的转变。从提示词、提示词工程到上下文工程折射的是大模型应用技术的不断深化反映了复杂性和工程化的演化以及应对策略的转变。本文将介绍上下文工程的演变和 5 种上下文编排模式。提示词提示词工程上下文工程LLM 出现伊始提示词prompt很自然成为需要掌握的新语言如何正确向LLM提问以获取想要的答案随着各种 LLM 涌现不同模型技术架构和数据不同如何提炼抽象出稳定的技巧以减小幻觉稳定地获得想要地答案提示词工程prompt engineering应运而生它实际反映的是对自己问题的系统性思考和科学地表达提示词工程巅峰的时候是传闻硅谷开出几万美金月薪招聘提示词工程师到现在已经发展出了prompt as a artifact提示词即交付把提示词作为一个交付物看一个李继刚的示例# Role:知识探索专家## Profile:-author:李继刚-version:0.8-language:中文-description:我是一个专门用于提问并解答有关特定知识点的 AI 角色。## Goals:提出并尝试解答有关用户指定知识点的三个关键问题其来源、其本质、其发展。## Constrains:1.对于不在你知识库中的信息,明确告知用户你不知道2.你不擅长客套,不会进行没有意义的夸奖和客气对话3.解释完概念即结束对话,不会询问是否有其它问题## Skills:1.具有强大的知识获取和整合能力2.拥有广泛的知识库,掌握提问和回答的技巧3.拥有排版审美,会利用序号,缩进,分隔线和换行符等等来美化信息排版4.擅长使用比喻的方式来让用户理解知识5.惜字如金,不说废话## Workflows:你会按下面的框架来扩展用户提供的概念,并通过分隔符,序号,缩进,换行符等进行排版美化1它从哪里来 ━━━━━━━━━━━━━━━━━━-讲解清楚该知识的起源,它是为了解决什么问题而诞生。-然后对比解释一下:它出现之前是什么状态,它出现之后又是什么状态?2它是什么 ━━━━━━━━━━━━━━━━━━-讲解清楚该知识本身它是如何解决相关问题的?-再说明一下:应用该知识时最重要的三条原则是什么?-接下来举一个现实案例方便用户直观理解:-案例背景情况(遇到的问题)-使用该知识如何解决的问题-optional:真实代码片断样例3它到哪里去 ━━━━━━━━━━━━━━━━━━-它的局限性是什么?-当前行业对它的优化方向是什么?-未来可能的发展方向是什么?# Initialization:作为知识探索专家我拥有广泛的知识库和问题提问及回答的技巧严格遵守尊重用户和提供准确信息的原则。我会使用默认的中文与您进行对话首先我会友好地欢迎您然后会向您介绍我自己以及我的工作流程。Markdown 的格式很适合 LLM 理解结构化的角色、目标、限制、以及思维链提示大大提高了挖掘大模型能力的体验。上下文工程context engineering我最初看到是 Andrej Karpathy OpenAI 创始人之一 的推文[1]Karpathy 认为其比 “提示词工程” 更贴切。在工业级大语言模型应用里上下文工程兼具科学与艺术属性科学体现在需精准把控任务描述、示例、数据等信息平衡信息多寡与相关性以保障模型性能、控制成本艺术则源于对 LLM 心理和人类直觉的理解。可见随着 AI 应用的深入上下文工程的出现也是水到渠成预示着在 AI 架构上思考方式的转变。5 种上下文编排模式上下文工程包括上下文从哪来保留哪些丢弃哪些是否要压缩如何压缩是否需要隔离谁来写谁来拼接所有这些问题构成了上下文工程的工作边界[2]。尤其是 multi-agent 的发展一个完整的 Agentic AI 应用往往涉及到 workflow 里多个模型的调用这些模型很大程度上取决于上述问题的解决我们来看看 5 种上下文编排模式Context Orchestration[3]上图模式1是常用的多 agent 架构分为三步将其工作分解为多个部分、启动子代理subagent来处理这些部分、最终将这些结果结合起来。然而它非常不稳定关键的失败点在于没有共享的上下文各自为政。比如我需要建一个学校子任务有建食堂和教学楼但是都需要共同的规划不然建一个容纳10人的食堂但是准备了300人的叫教学楼显而易见是不合理的。上图模式2吸取了模式1没有统一规划共享的上下文的缺点请注意不同颜色的小方块代表了共享的上下文和子代理subagent生成的上下文最后的结果已经综合了共享上下文、subagent1、subagent2生成的结果较好保持了方案的一致性。但是这里就有但是了继续上面的例子通过共同的上下文得知了都需要建能容纳300人规模的教学楼和食堂但是在修建的时候各自胡乱堆砌建筑材料导致空间不够用施工进展也不一样学校也不能很好修建。这里的问题在于需要沟通的两个 agent 之间没有信息交互相应的也有应该是独立的两个 agent这也是上下文工程的内容之一——agent 之间的交互和独立。上图模式3请依然注意带颜色的小方块这里最终结果既有共享的上下文也有subtask1的上下文以及共享subtask1结合生成的subtask2的结果应该能得到比较完美的结果。但是这里又有但是不要忘记 LLM 是有上下文限制的一旦subagent过多不断堆积很大可能超出上下文窗口即使没有超出上下文窗口过长的上下文也会影响 LLM 最终的推理和生成结果。上图模式4针对模式3引入了上下文压缩Context Compression只保留关键的上下文信息和结果这里需要继续攻克的点在于如何确保留下的是关键的而且没有漏掉有用信息即不重不漏。上图模式5在模式4的基础上加了并行的处理结构以及左右列独立处理另外 context 管理独立出来作为可交互的组件这也许是下一个阶段agent 的进化方向。神经网络的文艺复兴行内人可能有点感觉这不跟早期神经网络的结构一样一样的。放两张 Resnet 和 U-net 的结构图大家品味下也许我们可以来一场神经网络的文艺复兴从以前的经典结构里汲取灵感。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】