Awesome Context Engineering

简介

适合人群

想系统了解 context engineering 研究全景的研究者与工程师；也包括想追踪 2026 年「从 context engineering 转向 agent engineering」趋势的人。

核心内容

1. 01定位：调研清单 + 综述论文，不是教程

   它遵循 Awesome 清单的惯例组织，但比一般清单更学术化：每个类别下列出的是论文、基准、工具与博客，并标注 arXiv 或会议来源。它与一篇已发表的综述论文配套（A Survey of Context Engineering for Large Language Models），论文系统性分析了 1400+ 篇相关工作，仓库结构即综述的章节结构——读 README 就是在读一篇可点击、可深挖的综述。

2. 02收录了什么：按主题归档的资源

   内容按主题分类：context scaling（位置插值与超长上下文）、context management in production（压缩、缓存、作用域指令加载）、结构化数据集成与知识图谱、自生成上下文、RAG 检索增强、memory systems（神经记忆架构与生产记忆系统）、agent communication（MCP、A2A 等开放协议）、tool use、evaluation（LongBench、RULER、InfiniteBench 等长上下文基准）与 applications（科研自动化系统与企业生产系统）。

3. 032026 Agent Era 更新：从 Context Engineering 到 Agent Engineering

   2026 年 3 月起仓库大幅改版：重心从「怎么打包最好的 prompt」转向「Agent 系统如何管理运行时状态、记忆、工具、协议与长程执行」。它新增了 agent harness/runtime（规划、子代理、检查点、沙箱、人工审批）、open protocols、coding agents 与 project memory、observability 等板块，并明确说 context engineering 现在嵌在一个更大的技术栈里——在实践中正变成 agent engineering。

4. 04形式化定义与「为什么需要它」

   仓库给出了严格定义：context 不是用户发的一条 prompt，而是推理时刻提供给 LLM 的完整信息载荷（指令、知识、工具、记忆、状态、查询）。它用数学公式把 context engineering 建模成「最优化上下文组装函数」的问题，并用对比表说明 prompt engineering 是静态字符串、context engineering 是动态多组件系统。章节还论证了动机：人类意图表达不清、知识会过时、幻觉与可溯源问题，都指向需要系统性管理上下文。

5. 05怎么用它深挖 context engineering

   用法是「按图索骥」：想追 2026 年 Agent 转向，先读 agent harnesses 与 open protocols 板块；想打基础，从 definition 与 why context engineering 两节读起；想做长上下文评估，去 Evaluation 板块看 LongBench、RULER、InfiniteBench 与可观测性实践。每个条目都带外链，可顺着任一论文或工具深挖，配合综述论文一起读更成体系。

实践建议

• 先读 README 的 2026 Agent Era Update，确认你关心的方向落在哪个板块，再决定从哪读起。
• 挑一个类别（如 Memory Systems），顺着列出的论文精读 2-3 篇，归纳它们解决同一个问题的共性。
• 把仓库的 prompt vs context engineering 对比表抄进你的学习笔记，作为后续判断的锚点。
• 结合配套综述论文读你选中的板块，用自己的话写一段该方向的现状总结。

配套工作流

同类资源