上下
上下文工程 (context engineering)
概念
本站收录 18 集 · 2 条金句 · 关联 10 个
集里怎么说它
- 《Dan Shipper：15人零手写代码，AI原生公司怎么运转》(23:32起):本集提到 Spotify 的 Tobi 杜撰了这个术语，指在正确的时间把正确的上下文传给模型，这至少占性能的一半；Dan 说他之前称之为知识编排
- 《Bret Taylor：智能体是新应用，软件要按结果定价》(71:57起):本集说上下文工程是指当 Cursor 生成错误代码时，不是修掉就完，而是做根因分析——找到它缺了什么上下文才导致出错，然后通过 MCP 服务器把正确上下文喂进去，让下次不再犯。
- 《Harness 工程：让智能体零人工写代码的实操》(04:21起):本集将其说成与 harness 工程对比的已有概念，harness 工程是其与工具提供的组合升级版
- 《Anthropic 平台负责人：Claude 平台的「三层蛋糕」与给 token 分工的「策略」》(23:46起):本集说 Claude Tag 的重点全在引擎盖下的上下文工程和架构；最先进的用户创新也集中在「上下文与连接层」，而单纯堆上下文被认为有点被过度炒作
- 《用 Markdown 组建一支军队:Y Combinator 掌门人的 AI 原生公司蓝图》(12:51起):本集把它说成:设计和管理喂给模型背景信息的技术;核心是谁来决定在那张桌子上打开哪三本书(信息),这决定了你的智能体是天才还是金鱼
- 《Jeff Dean 谈 AI 原生时代的创业经：找零个正确的甜点》(16:36起):本集把它说成：真正的系统不只是模型，而是由工具调用、检索、记忆和编排共同组成的；直接喂给模型的上下文比训练数据（千亿参数的模糊汤）更清晰；只要用 Gemini 的 API 谁都能做，不需要海量 GPU。
- 《速度病：当团队 10 倍速写代码却推不出产品，怎么治》(14:01起):本集把它说成是在文档中精细管理共享上下文的方法，让多个新智能体基于同一份状态无状态地工作
- 《Anthropic 构建生产级智能体的教训:harness 须为模型能力演进而生》(10:44起):本集把它说成：区分有效智能体和在「上下文腐化」中迷失的智能体的关键。Managed Agents 通过把交互全记在持久化日志中,让模型可随时从日志切回丢掉的上下文。
- 《企业AI为什么卡壳:只有6%的大公司真正跑通了》(13:15起):本集提到人们谈论上下文工程：如何把企业内部的部落知识作为上下文的一部分带入智能体，是一个不简单的问题。
- 《别小看 harness：智能体的「脚手架」正在决定成绩》(01:10起):本集把上下文当分层缓存（L1 权重、L2 活跃上下文、L3 磁盘、中间 REPL），核心手段是压缩（compaction）与对状态做 CRUD/精炼，程序化操作数据以省 token。
- 《把 100 万 token 用出 5 万的体验：SubQuadratic 的稀疏注意力》(00:18起):本集说它是今天智能体工作流的真正大头:用 SuBench Pro 基准测得 86% 的步骤是在做上下文工程(读),真正执行只占最后 14%;它吞掉绝大部分人力与资本投入,SubQuadratic 想用便宜的长上下文把这一步压掉。
- 《LinkedIn 怎么让编码智能体真正读懂内部系统》(00:28起):本集开场点题:LinkedIn 通过为编码智能体补足工具、指令和组织上下文来提升其性能的做法,包括解决上下文过载、知识散落、无持久记忆三大问题
- 《差距不再是智能，而是上下文：给智能体造一个「上下文引擎」》(00:22起):本集演讲主线:差距不再是智能而是上下文,关键是在模型周围工程化地构建它高效、省 token 干活所需的上下文
- 《软件工厂的教训：不读代码的四五个月后，我们重写了整个产品》(08:27起):本集说:只要还在用基于 transformer 的 LLM,使用更少的上下文就会得到更好的质量,这是 12 个月前后都确定不变的第一性原理,也是把品味和偏好榨给模型的手段
- 《上下文会腐烂：Chroma CTO 谈检索的下一站与 200 亿参数搜索子智能体》(14:22起):本集说是「如何选择放进上下文窗口的信息,以最大化模型下一轮成功的机会」,包括查询、数据组织、提示词和给模型访问什么数据;Context Rot 使它成为必修课。
- 《「上下文工程」之父 Dex Horthy：智能体编程的真相与工作流》(01:27起):Dex 因推广而闻名的术语，指围绕模型组织和管理上下文信息的工程方法，本集开头以此介绍他的身份。
- 《让 AI 真正接管运维：Resolve AI 的六大支柱》(12:45起):本集六大支柱之一：目标不是选数据库或 GraphRag 等实现细节，而是给 AI 恰好够用的精确上下文量；上下文太大会过度探索、编出不存在假设，太小则探索不足。
- 《无限上下文窗口是个神话：别再往里塞东西了》(00:56起):本集将其定义为「在模型需要的时候给它需要的信息」，并给出四大策略：外置（externalize）、筛选（select）、压缩（compress）、隔离（isolate）。
① 提到它的金句
2 条
Spotify 的 Tobi 杜撰了这个术语叫”上下文工程”，也就是把上下文传递给模型，在正确的时间传递正确的上下文，这至少占性能的一半。
指向原始笔记的链接
Tobi from Spotify coined this term called “context engineering,” which is getting the context to the model, the right context at the right time, is at least half the performance.
—— Dan Shipper · [23:32]
从那以后,那套东西几乎全被扔出了窗外,现在流行的是提示词工程、上下文工程、循环工程。
指向原始笔记的链接
Almost all of that has gone out the window since prompt engineering and context engineering, loop engineering.
—— Robert Lucero · [25:19]
② 出现在这些集
18 集
- 《Dan Shipper：15人零手写代码，AI原生公司怎么运转》 — 作为概念(提及)
- 《Bret Taylor：智能体是新应用，软件要按结果定价》 — 作为概念
- 《Harness 工程：让智能体零人工写代码的实操》 — 作为概念(提及)
- 《Anthropic 平台负责人：Claude 平台的「三层蛋糕」与给 token 分工的「策略」》 — 作为概念
- 《用 Markdown 组建一支军队:Y Combinator 掌门人的 AI 原生公司蓝图》 — 作为概念
- 《Jeff Dean 谈 AI 原生时代的创业经：找零个正确的甜点》 — 作为概念
- 《速度病：当团队 10 倍速写代码却推不出产品，怎么治》 — 作为概念
- 《Anthropic 构建生产级智能体的教训:harness 须为模型能力演进而生》 — 作为概念
- 《企业AI为什么卡壳:只有6%的大公司真正跑通了》 — 作为概念(提及)
- 《别小看 harness：智能体的「脚手架」正在决定成绩》 — 作为概念
- 《把 100 万 token 用出 5 万的体验：SubQuadratic 的稀疏注意力》 — 作为概念
- 《LinkedIn 怎么让编码智能体真正读懂内部系统》 — 作为概念
- 《差距不再是智能，而是上下文：给智能体造一个「上下文引擎」》 — 作为概念
- 《软件工厂的教训：不读代码的四五个月后，我们重写了整个产品》 — 作为概念
- 《上下文会腐烂：Chroma CTO 谈检索的下一站与 200 亿参数搜索子智能体》 — 作为概念
- 《「上下文工程」之父 Dex Horthy：智能体编程的真相与工作流》 — 作为概念
- 《让 AI 真正接管运维：Resolve AI 的六大支柱》 — 作为概念
- 《无限上下文窗口是个神话：别再往里塞东西了》 — 作为概念
③ 关联
点进去有真内容 —— 本页主要出口
智能体 · MCP · Claude · Codex · RAG · Claude Code · OpenAI · Anthropic · harness · 技能