Context Engineering 艺术

简介

适合人群

已熟悉 prompt engineering、想进阶到「设计整个上下文窗口」的学习者；仓库提供了从 5 分钟基础到前沿研究的渐进路径。

核心内容

1. 01核心理念：Prompt Engineering vs Context Engineering

   仓库开篇引用 Karpathy：「context engineering 是在上下文窗口里填入刚好够下一步用的正确信息的精细艺术与科学」。它把界限划得很清楚：Prompt Engineering 是你「说了什么」（单条指令），Context Engineering 是「模型还看到了什么」——示例、记忆、检索、工具、状态与控制流，即整个信息载荷。比喻起来：prompt 是给演员的一句台词，context 是布景、灯光、前史与走位。

2. 02系统化的学习路径：从零到前沿

   它是一个渐进式课程而非零散技巧：00_foundations 讲理论基础与核心概念，10_guides_zero_to_hero 提供可运行的引导示例（如 min_prompt.py），20_templates 给可复制进自己项目的模板，30_examples 是逐渐复杂的真实项目，40_reference 做深挖与评估，50_contrib 收社区贡献。新手建议从「5 分钟读懂为什么单条 prompt 常不够」开始，再跑一个最小示例。

3. 03可量化的上下文组件：预算、示例、记忆、检索、剪枝

   仓库把上下文工程拆成可量化组件：Token Budget（优化每个 token，直接关系成本与速度）、Few-Shot Learning（给示例常比讲道理更有效）、Memory Systems（跨轮持久化，让交互有状态）、Retrieval Augmentation（注入相关文档，让回答有据可依、减少幻觉）、Control Flow（把复杂任务拆成小步骤）、Context Pruning（果断删除无关信息）。方法论强调「测量一切」：token 成本、延迟、质量分都要有数。

4. 04从原子到语义场：理解上下文的层次

   仓库用生物隐喻组织认知层级：atoms（单条指令、简单约束）→ molecules（few-shot 示例对）→ cells（记忆、状态、上下文窗口管理）→ organs（多步骤流程、专家分工、系统编排）→ neural systems（推理框架、验证工具、认知工具）→ neural & semantic field theory（连续意义、吸引子与共振）。这套隐喻帮助你理解：上下文不是一条 prompt，而是可以像生物体一样分层构造、逐层演化的系统。

5. 05研究证据与多代理上下文

   仓库不只讲理论，还整理了前沿研究：IBM 苏黎世发现给 GPT-4.1 配「认知工具」（把推理步骤模块化成可调用的提示模板）能让 AIME2024 的 pass@1 从 26.7% 升到 43.3%；新加坡-MIT 的 MEM1 用「推理驱动的记忆合并」对抗长任务上下文膨胀；ICML Princeton 揭示 LLM 内部会涌现符号机制，这也是 Markdown/JSON 等结构化格式更好解析的原因之一。仓库还提供多套 Agent Commands，适配 Claude Code、OpenCode、Codex、Gemini CLI 等，让多代理上下文编排直接可用。

实践建议

• 从 00_foundations/01_atoms_prompting.md 读起（约 5 分钟），理解为什么单条 prompt 常不够用。
• 运行 10_guides_zero_to_hero/01_min_prompt.py，再把 20_templates/minimal_context.yaml 抄进你的项目。
• 对照「What You'll Learn」表，挑一个你最弱的组件（比如 context pruning）专项练习并测量效果。
• 选一篇研究证据精读（如认知工具），用它改造你手头一个 prompt，对比改造前后的输出质量。

配套工作流

同类资源