企业官网建设流程全解析

泉州惠安网站建设,黄山网站推广公司,企业网络搭建是什么,简述网站建设的方案上下文工程是Karpathy提出的概念#xff0c;指精心设计填充上下文窗口的艺术与科学。它区别于面向用户的提示词工程#xff0c;是面向开发者的技能。上下文工程涉及动态感知任务需求、组织信息结构、控制token编排#xff0c;需要科学方法和艺术直觉。文章介绍了…上下文工程是Karpathy提出的概念指精心设计填充上下文窗口的艺术与科学。它区别于面向用户的提示词工程是面向开发者的技能。上下文工程涉及动态感知任务需求、组织信息结构、控制token编排需要科学方法和艺术直觉。文章介绍了LangChain提出的四大策略写入、筛选、压缩、隔离以及四种常见问题及解决方案。随着AI Agent发展上下文工程已成为决定应用成败的核心能力。继 Vibe Coding 火了之后Andrej Karpathy 又带火了一个词——Context Engineering。Context Engineering 翻译成中文就是「上下文工程」**。**Karpathy 大神更是毫不吝啬地表示「上下文工程」是一门精心设计填充上下文窗口的艺术与科学。Andrej Karpathy 作为 AI 领域的标志性人物他一直都很善于用贴近开发者直觉的语言去定义一些复杂技术的核心变化趋势比如 “Software 2.0”、 “Software 3.0”、“Vibe Coding”还有最近提出的新概念“Bacterial Programming”细菌编程基本上是提一个火一个。Karpathy 对此回复说“哈哈我不是在发明新词只是觉得人们对‘prompt’的理解太过简单化低估了其复杂性。”没错「上下文工程」并不是一个新概念而是随着 2025 年 AI Agent 的爆火业内逐渐形成的一种共识。前段时间我们发了一篇「多智能体构建」的文章里面也谈到了上下文工程的重要性。按照我的理解它目前还是一个“时髦”但“定义模糊”的词。如果你要想搞明白「上下文工程」一定绕不开「提示词工程」。这张图足以代表当下两者的变化趋势。“Prompt”这个词大家一听就能到联想到随便让 ChatGPT 干点事比如“解释一下什么是量子力学”这种简单的提示再复杂一点的 prompt加入任务说明、给几个示例、定义输出规则核心是尽可能清晰地表达你的需求。但如果你是要开发一个应用那就不是一句 prompt 的事了而是需要精心地去构建上下文context****这样大模型才能完成复杂、定制化的任务。简单一句话你可以这么理解“提示工程”是面向用户的而“上下文工程”是面向开发者的。可能会有人针锋相对不就是换了个名字不名字非常重要。因为语言塑造思想。包括 Shopify 的 CEO Tobi Lütke 也站在“正名”的一方认为“上下文工程”胜过“提示工程”应该为任务提供所有的背景信息。为什么 Andrej Karpathy 说上下文工程(Context Engineering)是一门精妙的艺术与科学先来说说为什么是“科学”的最近谷歌长上下文预训练联合负责人 Nikolay Savinov 接受了一期博客的采访谈到了智能体Agent与上下文Context之间深层的共生关系。我觉得放在这里理解非常合适。他提到 Agent 扮演着“双重角色”一方面它是上下文的消费者。想象一个 Agent 正在完成“规划五天东京旅行”这样的复杂任务它必须持续记住诸如“机票已订”“正在比价酒店”“还需补全行程”等状态信息。如果没有长上下文的支持它每问一句就失忆一次根本无法形成连贯的任务流。而上下文正是它必备的“记忆硬盘”。另一方面它又是上下文的创造者。现实中用户并不会把所有背景信息都手动打包好喂给 Agent ——预算、时间偏好、过往搜索记录、地理偏好等等。这时候Agent 的“工具使用能力”就显得尤为关键。它会主动调用搜索、日历、航旅 API 等工具获取原始信息并通过过滤、提炼、结构化处理把这些原材料动态拼装成一份高质量的上下文反哺给大模型使用。所以Agent 依赖上下文“活着”又通过工具主动构建上下文反过来让模型更“聪明”。这正是「上下文工程」成为一门科学的根本原因。不是简单的 prompt 写作或拼数据而是关于如何动态感知任务需求、组织信息结构、控制 token 编排、平衡输入输出的一整套方法论。用更接地气的方式给上下文工程下一个定义它是一门设计和构建动态系统的学问其唯一目标是在正确的时间、以正确的格式向大模型精准“投喂”完成任务所需的一切信息和工具。Karpathy 总结上下文设计要包含任务说明task instructions示例few-shot examples检索补充内容RAG多模态信息外部工具/函数当前状态与历史上下文上下文压缩与优化compacting考虑太少模型不理解任务放太多或不相关成本升高、性能下降。这是一门科学的技术活。Google DeepMind 的高级 AI 关系工程师 Philipp Schmid 在他最新的一篇博客里也把上下文工程拆成多个组成模块包括系统提示 / 系统指令定义行为、规则、例子用户提示当前问题或任务短期记忆 / 对话历史当前会话内容长期记忆跨 session 的用户偏好、项目信息检索信息RAG动态抓取文档、数据库或 API 的内容可用工具如 search、send_email 等函数定义结构化输出规定格式如 JSON、表格而且归纳出核心具备四大特征它是一个动态系统而非静态字符串。上下文不是一个写死的“模板”而是在调用 LLM 前由 Agent 根据实时需求动态拼装的结果。它是有生命力的。它按需生成而非一成不变。这个请求上下文可能是你的日程表下一个请求可能就需要最新的网页搜索结果或一封关键邮件。它是“千人千面、千时千面”的。它精准投喂信息与工具而非信息轰炸。核心是“刚刚好”避免“垃圾进、垃圾出”。只提供任务真正需要的信息和能力多一分都是干扰。它极度重视格式而非“生肉”数据。与其粗暴地丢给模型一堆原始日志不如给它一段提炼后的摘要一个结构清晰的工具调用指令远胜过一段模糊的自然语言描述但是在实际 LLM 应用/Agent 开发过程中不仅仅是“精心构建上下文”还要处理很多工程问题比如拆解任务逻辑problem decomposition控制调用流程control flow匹配不同模型能力模型调度处理用户交互UI/UX构建验证环节、加安全、评估效果实现并行化、预提取prefetching等性能优化……整套体系已经是一个复杂且厚重的软件系统。上下文工程只是其中一部分也是决定 Agent 成败的核心之一。上下文工程不仅是一门科学为什么也是一门艺术因为即使你知道要“选信息”“做结构”“控长度”这些原则但真正开发的时候有太多不可明说、不可公式化的判断和拿捏。比如你不知道 LLM 是怎么“看待”你的 prompt 的它没有固定语法或接口文档。你已经觉得两个版本的输入语句意思差不多但最后模型表现可能天差地别。所以你需要靠经验和“与模型打交道的直觉”来反复尝试、调整措辞、摆放顺序就像调教一个怪脾气的 partner。我觉得这就是“prompt sense”。为什么有的人用 AI 提效 10 倍有的人感觉没用区别就在这儿。所以以后再如果遇到一个特别牛的产品再说又是一个 ChatGPT 套壳应用甚至有点侮辱人了。那么我们该如何上手“上下文工程”AI 开发框架 LangChain 发布了一篇博客总结了四大核心落地策略第一招写入 (Write) —— 给 AI 一个“草稿本”和“长期记忆”AI 也需要“打草稿”和“记日记”。在处理复杂任务时让 AI 将中间步骤的思考记录到临时的“草稿本”Scratchpads或将关键结论存入跨会话的“长期记忆”Memory模块。这样既能保持主对话窗口清爽又能让 AI 拥有持续学习和反思的能力。第二招筛选 (Select)多不如准。当 AI 面对任务时启动一个智能“调度员”从庞大的知识库文档、工具、记忆中通过 RAG 等技术精准筛选出当下最相关的信息“投喂”给模型。这避免了信息过载让模型能聚焦于核心问题。第三招压缩 (Compress)上下文记忆有限寸土寸金。当对话历史或检索文档过长时必须学会“断舍离”。通过摘要或修剪等策略智能地为上下文“瘦身”在不丢失关键信息的前提下把最精华的内容留在宝贵的上下文窗口内。第四招隔离 (Isolate)分而治之化繁为简。这是多智能体Multi-agent系统的精髓。与其让一个“通才”Agent 应对所有复杂性不如将大任务拆解派发给多个拥有独立、优化上下文的“专才”Agent各司其职最后汇总成果实现 112 的效果。LangChain 的开发者德鲁·布鲁尼格Drew Breunig提出了一个极其重要的观点大多数智能体的失败不再是模型本身的失败而是我们喂给它的“上下文”出了问题。他将这些问题归类为四种经典的“病理学”病症一上下文中毒症状AI 调用工具时带回了错误信息或纯粹的“幻觉”比如一个不存在的网址或错误的数据这些“毒素”污染了整个上下文导致后续推理全盘皆错。解决方案1隔离在“沙盒”环境中运行不稳定的工具像在隔离病房做实验一样只将经过验证的、无毒的结果传回主系统。2筛选在检索信息后增加一道“质检”程序过滤或重排那些低质量、可疑的信息源。3写入在“草稿本”上记录工具调用的来源和可信度方便随时溯源、排查“毒源”。病症二上下文分心症状一股脑塞给 AI 太多信息哪怕这些信息都是相关的。海量的上下文淹没了最核心的指令就像一个学生面前堆了太多参考书反而找不到最重要的那本教科书导致 AI“抓不住重点”。解决方案1隔离采用“多智能体”策略让每个 Agent 只专注于自己的一亩三分地确保它看到的都是最相关的狭窄信息。2压缩定期为上下文“瘦身”通过摘要和修剪大幅减少上下文长度让核心指令始终“浮在水面”。3筛选只为当前子任务选择最关键的知识和工具避免一股脑地信息轰炸。病症三上下文混淆症状给 AI 的信息格式混乱、缺乏条理。比如直接丢给它一堆杂乱无章的日志导致 AI 以意想不到的、错误的方式去解读最终输出“牛头不对马嘴”的结果。解决方案1压缩利用 LLM 的摘要能力先将非结构化的“生肉”数据提炼成格式清晰、简洁明了的“熟食”再喂给模型。2写入在设计“草稿本”或记忆模块时就将不同类型的信息如历史记录、工具输出存入不同的字段从源头上保证结构清晰。3筛选确保检索出的信息格式统一并附上“说明书”元数据来解释其含义。病症四上下文冲突症状上下文的不同部分包含了相互矛盾的信息。比如一份文档说“A 是正确的”另一份文档说“B 是正确的”AI 在没有明确指导的情况下被迫“站队”很容易导致决策错误。解决方案1筛选在信息送入 LLM 之前先设立一个“冲突仲裁层”提前处理掉那些相互矛盾的信息。2隔离将处理不同且可能冲突的信息源的任务分配给不同的“辩论员”Agent最后由一个“法官”Agent 来裁决。3写入在“长期记忆”中不仅存储决策结果更要存储做出该决策的理由以便在未来遇到类似冲突时有据可依。更有意思的是在 Shopify自发地使用 AI、“为 AI 加载上下文”的能力正在成为员工的基本预期甚至被纳入了绩效评估。现在任何团队在申请增加人力之前都必须首先向公司证明为什么这个任务不能通过一个拥有“良好工程化上下文”的 AI 智能体来完成你认为“上下文工程”是下一个风口还是被夸大的概念期待在评论区看到你的洞见 最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】