《上下文工程：从提示到系统的AI应用架构指南》

September 4, 2026 · View on GitHub

教程定位：系统化的上下文工程学习路径，从理论认知到生产实践的完整知识体系

核心理念：上下文工程是将不断变化的信息宇宙中最相关内容，精心筛选并放入有限上下文窗口的艺术与科学——本质是"熵减"过程

📖 目录结构

第一部分：认知篇 - 理解上下文工程

第1章：什么是上下文工程？

学习目标：

  • 理解从 Prompt Engineering 到 Context Engineering 的演进
  • 掌握上下文窗口的本质与限制
  • 建立"正确信息 + 正确工具 + 正确时机 + 正确格式 = 有效Agent"的核心公式

核心内容：

  1. 上下文工程的定义与边界
  2. 六层上下文模型：指令/提示、短期记忆、长期记忆、RAG检索、工具定义、结构化输出
  3. 简单Demo vs 魔法Agent的本质区别
  4. 上下文工程作为"熵减"过程的理论框架

参考资源：

资源名称类型链接核心价值
Phil Schmid - The New Skill in AI is Not Prompting博客https://www.philschmid.de/context-engineering★★★★★ 入门必读，首次系统定义
A Survey of Context Engineering for LLMs论文https://arxiv.org/abs/2507.13334★★★★★ 分析1400+论文的最权威综述
Anthropic - Effective Context Engineering官方指南https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents★★★★★ Claude团队实践经验
知乎《上下文工程：将工程规范引入提示》中文博客https://zhuanlan.zhihu.com/p/1928378624261731252★★★★☆ 中文里写得最透彻
addyo.substack - Context Engineering带来的工程规范博客https://addyo.substack.com/p/context-engineering-bringing-engineering★★★★☆ 工程规范视角

第2章：核心原理 - 为什么Context有效？

学习目标：

  • 理解Transformer的Self-Attention机制
  • 掌握In-Context Learning（上下文学习）的工作原理
  • 认识"Lost in the Middle"现象及其工程影响

核心内容：

  1. Attention机制：上下文窗口的物理基础
  2. Few-Shot学习：模型如何在不更新权重的情况下"学会"新任务
  3. 示例的作用：格式 vs 内容的反直觉结论
  4. 长文本陷阱：中间迷失现象与Re-ranking策略

参考资源：

资源名称类型链接核心价值
Attention Is All You Need论文https://arxiv.org/abs/1706.03762理解Attention机制的基石
Language Models are Few-Shot Learners (GPT-3)论文https://arxiv.org/abs/2005.14165定义Few-Shot，理解上下文学习
Rethinking the Role of Demonstrations论文https://arxiv.org/abs/2202.12837反直觉结论：格式比标签正确性更重要
Lost in the Middle: How LLMs Use Long Contexts论文https://arxiv.org/abs/2307.03172★★★★★ 必读，指导RAG中的Re-ranking
Context Engineering 2.0论文https://arxiv.org/abs/2510.26493熵减理论框架，历史演进追溯
GAIR-NLP/Context-Engineering-2.0GitHubhttps://github.com/GAIR-NLP/Context-Engineering-2.0配套代码与资源

第3章：上下文失败模式与诊断

学习目标：

  • 识别四种常见的上下文失败模式
  • 掌握针对性的修复策略
  • 建立上下文质量评估的基本框架

核心内容：

  1. Context Poisoning（中毒）：幻觉错误被反复引用
  2. Context Distraction（分心）：过长上下文导致重复历史动作
  3. Context Confusion（混淆）：无关工具/信息干扰响应
  4. Context Clash（冲突）：多轮对话中信息矛盾
  5. 修复策略：动态工具加载、上下文隔离、总结压缩

参考资源：

资源名称类型链接核心价值
How Contexts Fail—and How to Fix Them博客https://www.dbreunig.com/2025/06/22/how-contexts-fail-and-how-to-fix-them.html★★★★★ 反面教材+对策
Practical Tips on Building LLM Agents博客https://letters.lossfunk.com/p/practical-tips-on-building-llm-agents★★★★☆ 一线经验+成本考量
DataCamp - Context Engineering博客https://www.datacamp.com/blog/context-engineering常见失败案例及缓解

第二部分：基础篇 - 结构化上下文

第4章：提示技巧（Prompting Techniques）

学习目标：

  • 掌握经典提示技术：CoT、Few-Shot
  • 学习高级策略：ToT、ReAct
  • 理解Token效率优化技巧

核心内容：

  1. Chain of Thought (CoT)：让模型"展示工作"
  2. Few-Shot Prompting：示例的选择与排列
  3. Tree of Thoughts (ToT)：探索多条推理路径
  4. ReAct：推理与行动的交替循环
  5. 结合CoT与Few-shot的最佳实践

参考资源：

资源名称类型链接核心价值
Anthropic User Guides - Prompt Engineering官方文档https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overviewXML Tags、Prefill预填、Quote Citations
OpenAI CookbookGitHubhttps://github.com/openai/openai-cookbookToken counting、Function Calling
Lilian Weng - Prompt Engineering / LLM Agents博客https://lilianweng.github.io/posts/2023-06-23-agent/CoT、ReAct分类框架
PromptingGuide.ai - Context Engineering Guide指南https://www.promptingguide.ai/guides/context-engineering-guide完整代码示例

第5章：查询增强与意图识别（Query Augmentation & Intent Recognition）

学习目标：

  • 理解查询处理在上下文工程中的重要性
  • 掌握查询重写、扩展、分解三大技术
  • 学习意图识别作为上下文构建的前置条件
  • 掌握意图驱动的上下文策略选择

核心内容：

  1. 查询重写（Query Rewriting）：将模糊输入转换为精确术语
  2. 查询扩展（Query Expansion）：生成多个相关查询
  3. 查询分解（Query Decomposition）：将复杂问题分解为子查询
  4. 查询Agent：智能处理整个查询管道
  5. 意图识别与路由：
    • 意图分类（Intent Classification）：识别用户真实需求
    • 槽位填充（Slot Filling）：提取关键参数
    • 多意图识别与消歧：处理复合请求
    • 意图驱动的上下文策略：不同意图 → 不同工具/知识库/检索策略

意图识别在上下文工程中的作用：

用户输入 → 【意图识别】→ 决定上下文构建策略
                ↓
        ┌───────┴───────┐
        ↓               ↓
   事实性问题      开放性讨论
        ↓               ↓
   RAG精确检索     长上下文对话
意图类型上下文策略示例
信息查询RAG检索 + 精确匹配"北京今天天气如何？"
任务执行工具调用 + 参数提取"帮我订一张去上海的机票"
闲聊对话短期记忆 + 人格设定"你觉得今天过得怎么样？"
复杂推理CoT + 长上下文"分析这份报告的关键趋势"
多意图并行处理 + 结果合并"查天气顺便帮我订机票"

参考资源：

资源名称类型链接核心价值
LangChain - The Rise of Context Engineering博客https://blog.langchain.com/the-rise-of-context-engineering/从"提示"到"上下文"的转变
LangChain - Context Engineering for Agents博客https://blog.langchain.com/context-engineering-for-agents/★★★★★ 写入、选择、压缩、隔离四大策略
langchain-ai/how_to_fix_your_contextGitHubhttps://github.com/langchain-ai/how_to_fix_your_context配套代码示例
Weaviate - The Context Engineering Guide (电子书)电子书https://weaviate.io/ebooks/the-context-engineering-guide架构模式指南
Semantic RouterGitHubhttps://github.com/aurelio-labs/semantic-router★★★★☆ 基于语义的快速意图路由
LangChain Router Chains文档https://python.langchain.com/docs/how_to/routing/意图路由实践
Rasa NLU 意图识别开源框架https://rasa.com/docs/rasa/nlu-training-data/经典意图分类实现

第三部分：策略篇 - 动态上下文管理

第6章：检索系统（Retrieval/RAG）

学习目标：

  • 理解RAG的核心架构
  • 掌握分块（Chunking）策略的设计原则
  • 学习检索精度与上下文丰富性的平衡

核心内容：

  1. RAG架构：检索增强生成的完整流程
  2. 简单分块技术：固定大小、递归、文档结构
  3. 高级分块技术：语义分块、LLM分块、Agentic分块、层次分块、延迟分块
  4. 预分块 vs 后分块的权衡
  5. 混合检索：关键词 + 语义 + 图检索

参考资源：

资源名称类型链接核心价值
LlamaIndex High-Level Concepts官方文档https://docs.llamaindex.ai/en/stable/getting_started/concepts/Sentence Window、Auto-Merging Retrieval
Weaviate Chunking Strategies Blog博客https://weaviate.io/blog/chunking-strategies-for-rag分块策略详解
Codecademy - Context Engineering in AI指南https://www.codecademy.com/article/context-engineering-in-aiRAG和记忆系统的完整实现
phodal/build-agent-context-engineeringGitHubhttps://github.com/phodal/build-agent-context-engineering★★★★★ 中文最系统，关键词+语义+图检索

第7章：记忆系统（Memory）

学习目标：

  • 理解短期记忆与长期记忆的区别
  • 掌握混合记忆架构的设计
  • 学习记忆管理的关键原则

核心内容：

  1. 短期记忆：即时工作空间，上下文学习
  2. 长期记忆：情节记忆 vs 语义记忆
  3. 混合记忆设置：工作记忆、程序记忆
  4. 记忆管理原则：修剪和细化、选择性存储、检索优化
  5. "脑洗"Agent：主动清理内存，丢弃噪音

参考资源：

资源名称类型链接核心价值
Generative Agents (斯坦福小镇)论文https://arxiv.org/abs/2304.03442Memory Stream → Retrieval → Reflection
MemGPT: Towards LLMs as Operating Systems论文https://arxiv.org/abs/2310.08560虚拟内存概念，Main vs External Context
Brainwash Your Agent博客https://www.camel-ai.org/blogs/brainwash-your-agent-how-we-keep-the-memory-clean★★★★☆ 内存管理技巧
LangChain LangMem文档-短期/长期记忆实现

第四部分：架构篇 - Agent与工具系统

第8章：Agent架构设计

学习目标：

  • 理解AI Agent的核心特性
  • 掌握单Agent与多Agent架构的选择
  • 学习Agent的核心策略与任务管理

核心内容：

  1. Agent的四大能力：动态决策、维护状态、自适应工具使用、基于结果修改方法
  2. 单Agent vs 多Agent架构
  3. 上下文窗口的挑战与管理策略
  4. Agent核心策略：总结、验证、修剪、自适应检索、卸载、动态工具选择

参考资源：

资源名称类型链接核心价值
Agentic Context Engineering: Evolving Contexts论文https://arxiv.org/abs/2510.04618ACE框架，上下文作为演化"剧本"
Context Engineering for Multi-Agent Code Assistants论文https://arxiv.org/abs/2508.08322多Agent代码助手工作流
Context Engineering for AI Agents in OSS论文https://arxiv.org/abs/2510.21413466个OSS项目的AGENTS.md分析
ginobefun/agentic-design-patterns-cnGitHubhttps://github.com/ginobefun/agentic-design-patterns-cn★★★★☆ 设计模式中英对照

第9章：工具集成（Tools）

学习目标：

  • 理解从提示到行动的演变
  • 掌握函数调用与工具链设计
  • 学习思考-行动-观察循环

核心内容：

  1. 函数调用（Function Calling）/ 工具调用（Tool Calling）
  2. 工具链设计：多工具编排
  3. 编排挑战：发现、选择、参数制定、反思
  4. 思考-行动-观察循环（Thought-Action-Observation Cycle）
  5. MCP（Model Context Protocol）标准

参考资源：

资源名称类型链接核心价值
Model Context Protocol (MCP) 介绍博客https://humanloop.com/blog/mcp工具集成的新标准
Elysia Agentic RAG框架博客https://weaviate.io/blog/elysia-agentic-rag编排框架实战案例
AWS中国 - Context Engineering博客https://aws.amazon.com/cn/blogs/china/agentic-ai-infrastructure-practice-series-nine-context-engineering/企业级基础设施视角

第10章：12-Factor Agents 工程化原则

学习目标：

  • 理解生产级Agent的工程化原则
  • 掌握"拥有你的上下文窗口"的核心理念
  • 学习成本优化与状态管理

核心内容：

  1. 12条核心原则（类比12-Factor App）
  2. Factor 3：拥有你的上下文窗口（最关键）
  3. 80%确定性代码 + 20% LLM调用
  4. 成本呈二次增长，必须优化
  5. 状态管理、暂停/恢复、人机协同

参考资源：

资源名称类型链接核心价值
12-Factor AgentsGitHubhttps://github.com/humanlayer/12-factor-agents★★★★★ 生产级方法论
AI Engineer World's Fair TalkYouTubehttps://www.youtube.com/watch?v=8kMaTybvDUw现场讲解视频

第五部分：进阶篇 - 编程化与自动化

第11章：自动化与编译式上下文

学习目标：

  • 理解从"提示"到"编译"的范式转变
  • 掌握DSPy的核心理念
  • 学习Many-Shot In-Context Learning

核心内容：

  1. DSPy：将上下文视为可优化的"参数"
  2. 自动提示优化（APO）
  3. Many-Shot ICL：百万级上下文模型的海量示例效果
  4. 上下文工程从"玄学"走向"科学"

参考资源：

资源名称类型链接核心价值
DSPy: Compiling Declarative LM Calls论文/库https://arxiv.org/abs/2310.03714 / https://github.com/stanfordnlp/dspy★★★★★ 编译式上下文
Many-Shot In-Context Learning论文https://arxiv.org/abs/2404.11018海量示例效果超过微调
Context Engineering with DSPy Tutorial教程https://towardsdatascience.com/context-engineering-a-comprehensive-hands-on-tutorial-with-dspy/DSPy实战+1小时20分视频

第12章：安全与攻防

学习目标：

  • 理解Prompt Injection攻击原理
  • 掌握上下文隔离策略
  • 学习安全的上下文架构设计

核心内容：

  1. Prompt Injection（提示注入）攻击
  2. 上下文隔离策略
  3. 分隔符（Delimiters）防御
  4. 安全的上下文架构设计

参考资源：

资源名称类型链接核心价值
Simon Willison - Prompt Injection博客https://simonwillison.net/2022/Sep/12/prompt-injection/提示注入攻击原理与防御
Gartner - Context Engineering报告https://www.gartner.com/en/articles/context-engineering商业落地与安全考量

第六部分：实战篇 - 企业案例与项目

第13章：企业级实战案例

学习目标：

  • 学习Manus的生产级经验
  • 掌握KV缓存优化策略
  • 理解长任务Agent的优化技巧

核心内容：

  1. Manus案例：
    • KV缓存优化：只追加不修改，命中率提升10倍
    • 工具遮蔽：动态显示/隐藏工具
    • 文件系统作为上下文
    • 复述操控注意力
    • 保留错误信息
  2. Anthropic Claude Code案例：
    • 上下文压缩、笔记系统、子Agent隔离
  3. 成本优化：
    • 多轮成本呈二次增长（50轮=$2.5，100轮=$100）
    • KV缓存命中可降低90%成本

参考资源：

资源名称类型链接核心价值
Manus - Context Engineering for AI Agents博客https://manus.im/zh-cn/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus★★★★★ 企业级坑点
Anthropic - Effective Context Engineering官方指南https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agentsClaude团队实践
CSDN《上下文工程才是核心竞争力》中文博客https://blog.csdn.net/Baihai_IDP/article/details/149437955中文实战案例

第14章：完整项目实战

学习目标：

  • 从零构建完整的上下文工程系统
  • 掌握结构化提示词、RAG、工具系统、多Agent的完整链路
  • 学习GitHub Copilot等产品的上下文策略

核心内容：

  1. 结构化提示词工程：输入/输出结构化、链式设计、路由分发
  2. 上下文工程与RAG：查询改写、HyDE、重排序
  3. 工具系统设计：语义清晰、无状态、原子性、最小权限、MCP协议
  4. Agent规划与多Agent：预先分解 vs 交错分解、记忆系统、自我完善
  5. 经典案例分析：GitHub Copilot上下文优先级排序、Cursor Rule设计

参考资源：

资源名称类型链接核心价值
phodal/build-agent-context-engineeringGitHubhttps://github.com/phodal/build-agent-context-engineering★★★★★ 中文最系统实战
davidkimai/Context-EngineeringGitHubhttps://github.com/davidkimai/Context-Engineering★★★★★ 最佳学习路径，4.1K+ Stars
WakeUp-Jin/Practical-Guide-to-Context-EngineeringGitHubhttps://github.com/WakeUp-Jin/Practical-Guide-to-Context-Engineering七类上下文分解
Awesome-Context-EngineeringGitHubhttps://github.com/Meirtz/Awesome-Context-Engineering数百篇论文、框架和实现指南

附录：资源索引

A. 完整资源清单

学术论文

论文名称arXiv编号核心价值
Attention Is All You Need1706.03762Transformer基础
Language Models are Few-Shot Learners (GPT-3)2005.14165上下文学习定义
Rethinking the Role of Demonstrations2202.12837示例作用研究
Lost in the Middle2307.03172长上下文陷阱
Generative Agents (斯坦福小镇)2304.03442记忆系统架构
MemGPT2310.08560虚拟内存概念
DSPy2310.03714编译式上下文
Many-Shot In-Context Learning2404.11018海量示例效果
A Survey of Context Engineering for LLMs2507.13334★★★★★ 1400+论文综述
Context Engineering 2.02510.26493熵减理论框架
Agentic Context Engineering2510.04618ACE框架
Context Engineering for Multi-Agent2508.08322多Agent代码助手
Context Engineering for AI Agents in OSS2510.21413OSS项目分析

官方文档与指南

资源名称链接
Anthropic - Effective Context Engineeringhttps://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
Anthropic User Guides - Prompt Engineeringhttps://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
OpenAI Cookbookhttps://github.com/openai/openai-cookbook
LlamaIndex High-Level Conceptshttps://docs.llamaindex.ai/en/stable/getting_started/concepts/
PromptingGuide.aihttps://www.promptingguide.ai/guides/context-engineering-guide

博客与文章

资源名称作者/机构链接
The New Skill in AI is Not PromptingPhil Schmidhttps://www.philschmid.de/context-engineering
How Contexts Fail—and How to Fix ThemDrew Breunighttps://www.dbreunig.com/2025/06/22/how-contexts-fail-and-how-to-fix-them.html
Practical Tips on Building LLM AgentsParas Choprahttps://letters.lossfunk.com/p/practical-tips-on-building-llm-agents
The Rise of Context EngineeringLangChainhttps://blog.langchain.com/the-rise-of-context-engineering/
Context Engineering for AgentsLangChainhttps://blog.langchain.com/context-engineering-for-agents/
Lilian Weng - LLM AgentsLilian Wenghttps://lilianweng.github.io/posts/2023-06-23-agent/
Brainwash Your AgentCAMEL-AIhttps://www.camel-ai.org/blogs/brainwash-your-agent-how-we-keep-the-memory-clean
Manus Context EngineeringManushttps://manus.im/zh-cn/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus
Prompt InjectionSimon Willisonhttps://simonwillison.net/2022/Sep/12/prompt-injection/

GitHub仓库

仓库名称Stars链接
davidkimai/Context-Engineering4.1K+https://github.com/davidkimai/Context-Engineering
Meirtz/Awesome-Context-Engineering-https://github.com/Meirtz/Awesome-Context-Engineering
phodal/build-agent-context-engineering-https://github.com/phodal/build-agent-context-engineering
humanlayer/12-factor-agents-https://github.com/humanlayer/12-factor-agents
langchain-ai/how_to_fix_your_context-https://github.com/langchain-ai/how_to_fix_your_context
stanfordnlp/dspy-https://github.com/stanfordnlp/dspy
WakeUp-Jin/Practical-Guide-to-Context-Engineering-https://github.com/WakeUp-Jin/Practical-Guide-to-Context-Engineering
ginobefun/agentic-design-patterns-cn-https://github.com/ginobefun/agentic-design-patterns-cn
GAIR-NLP/Context-Engineering-2.0-https://github.com/GAIR-NLP/Context-Engineering-2.0
aurelio-labs/semantic-router-https://github.com/aurelio-labs/semantic-router

意图识别与路由资源

资源名称类型链接
Semantic RouterGitHubhttps://github.com/aurelio-labs/semantic-router
LangChain Router Chains文档https://python.langchain.com/docs/how_to/routing/
Rasa NLU 意图识别开源框架https://rasa.com/docs/rasa/nlu-training-data/
DialogFlow Intent Detection云服务https://cloud.google.com/dialogflow/docs

中文资源

资源名称链接
AWS中国 - Agentic AI Context Engineeringhttps://aws.amazon.com/cn/blogs/china/agentic-ai-infrastructure-practice-series-nine-context-engineering/
知乎《上下文工程：将工程规范引入提示》https://zhuanlan.zhihu.com/p/1928378624261731252
CSDN《上下文工程才是核心竞争力》https://blog.csdn.net/Baihai_IDP/article/details/149437955
微信文章https://mp.weixin.qq.com/s/KbviOJ6q-K4ik_wzsUs2dw

电子书与视频

资源名称类型链接
Weaviate - The Context Engineering Guide电子书https://weaviate.io/ebooks/the-context-engineering-guide
Context Engineering: The Outer Loop视频YouTube - Hammad Bashir (Chroma CTO)
12-Factor Agents Talk视频https://www.youtube.com/watch?v=8kMaTybvDUw
DSPy Tutorial视频https://towardsdatascience.com/context-engineering-a-comprehensive-hands-on-tutorial-with-dspy/

B. 学习路径推荐

入门路径（1-2周）

1. Phil Schmid 概念文章 → 建立框架
2. Drew Breunig 失败模式 → 避坑
3. LangChain 四大策略 → 建立方法论

进阶路径（2-4周）

4. phodal 中文实战仓库 → 系统实践
5. 12-Factor Agents → 工程化原则
6. Manus/Anthropic 企业案例 → 生产经验

专家路径（1-3个月）

7. 1400+论文综述 → 全景视野
8. davidkimai 完整学习路径 → 深度优化
9. 贡献开源项目 → 社区参与

C. 核心技术要点速查

上下文工程四大支柱

  1. 意图理解：意图分类、槽位填充、多意图消歧、意图路由
  2. 信息检索：RAG、混合检索、Agentic检索
  3. 记忆管理：短期/长期记忆、反思机制
  4. 工具编排：MCP协议、工具路由、并行调用

生产环境最佳实践

  • ✅ 任务原子化（10-15分钟粒度）
  • ✅ 使用KV缓存（只追加不修改）
  • ✅ 建立验证系统（每步明确成功/失败）
  • ✅ 工具单一职责（原子性+语义清晰）
  • ✅ 上下文压缩与隔离（总结+剪枝+沙盒）
  • ❌ 避免上下文中毒和冲突
  • ❌ 防止过度依赖长上下文

成本优化关键指标

  • 多轮Agent成本呈二次增长（50轮=$2.5，100轮=$100）
  • KV缓存命中可降低90%成本
  • 上下文总结可减少60-80%令牌

D. 资源价值矩阵

资源理论深度实践性代码质量适合人群
Phil Schmid文章⭐⭐⭐⭐⭐⭐⭐-所有人
LangChain博客⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐开发者
12-Factor Agents⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐工程师
phodal仓库⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐中文开发者
Drew Breunig文章⭐⭐⭐⭐⭐⭐⭐⭐⭐-调试者
1400+论文综述⭐⭐⭐⭐⭐⭐⭐-研究者
davidkimai仓库⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐深度学习者
Manus案例⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐企业团队

文档版本：v1.1
最后更新：2025年12月
资源统计：论文13篇 + 官方文档5项 + 博客9篇 + GitHub仓库10个 + 中文资源4项 + 电子书/视频4项 + 意图识别资源4项 = 49项资源

📌 使用建议：本大纲可作为教程的骨架，每章节可根据目标读者的水平进行扩展。建议配合代码示例和实战项目，让读者在学习理论的同时获得动手实践的机会。