OpenAI的产品负责人 Miquel 联合Piotr 发布了一份超全面的Context Engineering 深度指南 （原文付费，主要是图多，还给了例子~）
到底什么是 Context Engineering
简单说，Context Engineering 的核心是构建一套系统，高效地为LLM的上下文窗口（Context Window）填充最优质的内容，从而最大化模型的性能。
如果你觉得提示词工程（Prompt Engineering）就是全部，那格局就小了。
提示词工程只是在用户与AI交互的最后一环做文章。
而上下文工程是一个更广阔的战场，它涵盖了在生成提示词之前的所有准备活动——从数据检索、筛选到信息组装，它是一个完整的系统工程。
给AI提供的6种核心上下文
那么，我们到底在给模型的上下文中“喂”些什么呢？共有6种核心类型：
-
指令 (Instructions): 最直接的命令，告诉模型“你要做什么”。 -
范例 (Examples): 也就是Few-shot，给模型几个例子，让它照着学。 -
知识 (Knowledge): 从外部数据源（如RAG）检索到的信息，作为回答的依据。 -
记忆 (Memory): 存储过去的对话历史，让AI有“记忆力”。 -
工具结果 (Tool results): 调用API或外部工具后返回的结果。 -
工具 (Tools): 告诉模型它有哪些工具（API、函数）可以用。
这6种核心内容共同构成了一个AI Agent的“世界观”和“行动力”。
RAG只是其中一环，别神话了！
聊到上下文，很多人第一反应就是RAG（检索增强生成）。RAG是上下文工程中最关键的一环，但它不是全部。
一个完整的RAG流程通常分为三步：
-
信息检索 (Information Retrieval): 从向量数据库、API等外部源拉取数据。 -
上下文组装 (Context Assembly): 将检索到的数据进行结构化、过滤，塞进提示词。 -
生成 (Generation): LLM基于组装好的上下文生成最终回复。
上下文工程主要关注前两步，即“检索”和“组装”。它决定了最终送到LLM的内容质量如何。
信息检索的进化
信息检索技术本身也在疯狂进化。别再以为RAG就是简单地做个向量检索了，我们来快速扒一扒它的几种主流范式。
这个章节是个带交互的图，完全免费，地址在这： https://rag.productcompass.pm/
1. Vanilla RAG
最基础的版本，直接“检索+生成”，简单粗暴，效果也最拉胯。
2. Standard RAG
进阶版，加入了“查询重写”和“结果重排”，先优化问题，再筛选答案，质量更高。
3. 缓存增强生成 (CAG)
它不检索，而是提前把可能用到的信息“缓存”到上下文里。适合数据稳定且上下文窗口够大的场景。
4. Hybrid RAG
大力出奇迹，把多种检索方法（向量、关键词、知识图谱等）全用上，追求最全面的信息。
5. 假设性文档嵌入 (HyDE)
它先让LLM根据你的问题，脑补一篇“完美的答案”（假设性文档），然后再用这个脑补的答案去匹配真实文档，据说能解决查询和文档之间的语义鸿沟。
6. Agentic RAG
在这里，AI Agent会自己决定何时、何地、如何去检索信息，它能进行动态规划和多步推理。简单来说，AI从一个被动的查询者，变成了主动的思考者和决策者。
上下文组装 – Context Assembly
找到了信息，怎么“喂”给模型又是一门学问。这就是上下文组装（Context Assembly）要解决的问题。
目标很简单：提供最精简、最相关、结构最清晰的信息。
这需要一系列技术，比如信息压缩、重新排序、格式化等。
例如，使用XML这样的结构化格式，可以清晰地划分不同类型的上下文，极大地帮助模型理解任务。
作者提供的lovable bug fixing Agent的示例：https://github.com/phuryn/examples/blob/main/prompts/context_engineering/bug_fixing_agent_context.xml
