-
文件系统在智能体上下文工程中的应用
本文探讨了深度智能体如何利用文件系统工具（读取、写入、编辑、列表、搜索）来改进“上下文工程”，这是智能体可靠性的关键方面。文章指出了上下文管理中常见的挑战，例如检索过多 Token、所需上下文超出窗口限制、难以找到特定领域的信息，以及智能体无法随时间学习。作者认为，文件系统为智能体提供了一个统一且灵活的接口，用于存储、检索和更新无限量的上下文。该方法通过以下方式提供帮助：将大型工具的输出结果卸载到…- 0
- 0
-
“上下文工程”的兴起
文章介绍了“上下文工程”，将其定义为构建动态系统，为 LLM 提供正确的信息、工具和格式，以便它能够可靠地完成任务。它认为这对于可靠的代理系统至关重要，因为失败往往源于不充分或格式不佳的上下文，而不仅仅是模型的固有局限性。它将上下文工程与提示工程区分开来，认为后者是前者的一个子集。文章提供了工具使用、记忆和检索等示例，并将 LangGraph 和 LangSmith 定位为实现这种方法的工具，强调…- 0
- 0
-
如何让 Agent 更符合预期？基于上下文工程和多智能体构建云小二 Aivis 的十大实战经验
文章深入探讨了在构建和调优 AI Agent，特别是 Multi-Agent 数字员工“云小二 Aivis”项目中的实战经验。作者指出 Agent 不按预期输出的核心原因在于模糊预期和技术层面的上下文管理不足。文章重点聚焦于上下文工程和 Multi-Agent 架构优化，总结了十大实战经验，包括清晰化预期、上下文精准投喂、系统身份与历史执行清晰化、结构化表达逻辑、自定义工具协议、Few-Shot …- 0
- 0
-
Anthropic 发布 AI Agent 上下文工程指南
文章深入探讨了 Anthropic 提出的“上下文工程”概念，将其定位为“提示词工程”的自然演进，强调在构建工业级 LLM 应用时，需全面管理模型可访问的整体状态。文章指出，尽管 LLMs 处理能力增强，但仍存在“上下文衰减”现象，因此需要精心设计上下文以应对有限的“注意力预算”。指南详细介绍了高效上下文的结构，包括清晰的系统提示词、高效的工具设计和规范的少样本示例。此外，文章还提出了针对长期任务…- 0
- 0
-
从 Prompt 到 Context：为什么 Think Tool 是形式化的必然？
文章以编译原理为理论基础，深刻阐述了 AI 编程（或 AI 系统开发）中从 Prompt Engineering 到 Context Engineering，再到 Anthropic 的 Think Tool 的演进路径。作者首先回顾了语言形式化的必要性，并引入乔姆斯基谱系作为衡量语言形式化程度的标尺，指出其在表达能力与可预测性间的权衡，并将其类比到当前 AI 工程师面临的困境。接着，文章详细分析…- 0
- 0
-
如何以及何时构建多智能体系统
本文探讨了 Cognition 和 Anthropic 近期博文关于构建多智能体系统的见解。它强调了两个核心要点：上下文工程在协调智能体中的关键重要性 和 难度，以及观察到专注于“读取”任务的多智能体系统比专注于“写入”任务的系统在管理上固有地更简单，这归因于并行化 和 输出合并的挑战。此外，文章讨论了复杂智能体系统共有的重要的生产可靠性 和 工程挑战，包括持久化执行、错误处理、调试、可观测性 和…- 0
- 0
-
AI 智能体的上下文工程：构建 Manus 的经验教训
文章围绕构建 AI 智能体 Manus 的实践经验，详细阐述了“上下文工程”在 AI 智能体开发中的关键作用和具体原则。作者从早期创业教训出发，强调了上下文工程相比模型微调在快速迭代中的优势。文章核心分享了六大经验教训：围绕 KV 缓存进行设计以优化延迟和成本；使用 Logits 掩蔽而非移除工具来管理动作空间；将文件系统作为无限上下文来处理巨量观察结果；通过“复述”机制引导模型注意力以避免目标偏…- 3
- 0
-
LangChain 和 Manus 的 AI 智能体上下文工程实践
来自 LangChain 的 Lance 和 Manus 的 Pete 在本次网络研讨会中深入探讨了 AI 智能体的上下文工程。Lance 介绍了由于长期运行的智能体中出现的“上下文腐烂”问题而兴起的上下文工程，并概述了上下文卸载、上下文缩减、上下文检索、上下文隔离和缓存等常见主题。他还分享了来自开放深度研究等项目的示例。随后，Pete 分享了 Manus 最新的实践经验，并强调了上下文工程对于初…- 0
- 0
-
上下文工程(Context Engineering)
本文将上下文工程定位为 AI 智能体开发的关键学科，将大语言模型(LLM)比作操作系统，其中上下文窗口的功能类似于随机存取存储器(RAM)。详细阐述了四种核心策略：写入（通过暂存器/记忆模块外部保存上下文）、选择（检索相关上下文如工具/记忆）、压缩（通过摘要生成/修剪减少 token 数量）、隔离（将上下文拆分到子智能体或沙箱环境）。每种方法都针对特定挑战，如 token 限制和性能退化。文章重点…- 0
- 0
-
Manus 创始人手把手拆解：如何系统性打造 AI Agent 的上下文工程？
文章由 Manus 联合创始人兼首席科学家 Peak 撰写，深入剖析了构建高性能 AI Agent 的上下文工程核心实践。作者首先解释了选择上下文工程而非从头训练模型的原因，强调其迭代速度快且能保持与底层模型正交性。随后，文章详细介绍了六个关键实践：首先，围绕 KV-Cache 设计以优化延迟和成本，通过保持提示前缀稳定、追加式上下文和明确标记缓存断点。其次，通过掩码而非移除的方式约束行为选择，避…- 0
- 0
-
“RAG 已死，上下文工程为王”——Chroma 的 Jeff Huber
这篇文章是对 Chroma 首席执行官 Jeff Huber 的采访，提出了一个引人深思的观点：“RAG 已死”，“上下文工程为王”。Huber 认为，随着 AI 工作负载从简单的聊天机器人发展为复杂的代理，并且上下文窗口大小不断扩大，采用更复杂的方法来管理和利用上下文至关重要。他强调要超越从演示到生产的 AI 开发的“炼金术”，转向更具工程驱动的过程。讨论深入探讨了用于 AI 的现代搜索基础设施…- 0
- 0
-
信息量很大！2025.10.2 硅谷内部关于 AI Agent 的讨论会实录
本文深度总结了硅谷一次关于 AI Agent 在生产环境中成功部署的关键因素的行业讨论会。会议指出，高达 95%的 AI Agent 部署失败并非模型智能不足，而是由于上下文工程、安全性、记忆设计等支撑体系的缺失。文章详细探讨了高级上下文工程的重要性，包括 LLM 特征选择、语义与元数据分层，以及处理 Text-to-SQL 挑战的方法。同时，强调了治理与信任在 Agent 落地中的核心地位，如溯…- 0
- 0
-
【生成式人工智慧與機器學習導論 2025】第 2 講：上下文工程 (Context Engineering) — AI Agent 背後的關鍵技術
文章详细阐述了上下文工程（Context Engineering）这一概念，并将其与传统 Prompt Engineering 进行了对比，指出上下文工程更侧重于自动化和全面的输入管理。它强调语言模型本质是文本接龙，要获得理想输出，除了模型训练，优化输入（即上下文）至关重要。文章详细拆解了一个完整上下文的七大组成部分，包括用户 Prompt、系统 Prompt、对话历史、长期记忆、外部资料源（RA…- 0
- 0
-
从上下文工程到 AI Memory，本质上都是在「拟合」人类的认知方式
本文由 AI 语音产品创业者撰写，从现象学视角深入剖析了从上下文工程（Context Engineering）到 AI 记忆（AI Memory）的技术实践与哲学思考，核心在于 AI 如何拟合人类的认知与存在方式。文章首先定义了上下文工程，强调其超越提示词工程，是构建 AI Agent 动态记忆系统的核心，旨在模拟人类的注意力与记忆机制。随后，通过对比 LLM 有限上下文窗口与人类注意力机制的相似…- 0
- 0
-
AI 智能体的上下文工程：实用指南
本文深入探讨了 AI 智能体开发中的“上下文工程”这一新兴领域，将其视为传统提示词工程的自然演进。文章首先定义了上下文为 LLM 输入的所有 Token 集合，并指出工程目标是在 LLM 固有注意力限制下优化 Token 效用。它详细对比了提示词工程与上下文工程的区别，强调后者关注模型推理过程中所有信息的筛选与维护。文章剖析了 LLM 面临的“上下文衰减”和注意力预算限制，强调了高效上下文工程的重…- 0
- 0
-
Build Hour：代理记忆模式
本次 Build Hour 课程由 OpenAI 的 Michaela 和 Emre Okcular 主持，重点关注上下文工程，将其作为构建强大、长期运行的 AI 代理的关键学科。Emre 将上下文工程定义为一门艺术和一门科学，强调其在优化 LLM 性能方面的作用，而不仅仅是模型质量或提示词工程。本次课程确定了长期运行代理的四种常见失败模式：上下文突发、冲突、投毒和噪声。为了解决这些问题，引入了三…- 0
- 0
-
硬核拆解：Manus 控制 AI 选择工具的“遮蔽”究竟是什么，真的靠谱么？
本文以“硬核拆解”的方式，深入分析并实测验证了 Manus 团队在 LLM 上下文工程中，通过“提供完整工具列表但有效干预模型选择”来优化 Function Call 模式下工具使用的策略。作者首先阐述了动态工具列表在多轮对话中可能导致模型幻觉和缓存失效的问题，随后详细介绍了 Manus 的两种核心干预方法：响应预填充（强制模型选择特定工具）和修改 Logits 进行“遮蔽”（阻止模型选择某些工具…- 0
- 0
-
扒完全网最强 AI 团队的 Context Engineering 攻略，我们总结出了这 5 大方法
文章系统性地探讨了 AI Agent 开发中 Context Engineering（上下文工程）的核心概念和实践经验。指出当前 Agent 开发面临的痛点是，海量工具调用和长周期推理产生的长上下文严重制约了 Agent 性能和成本，甚至导致模型能力下降。为解决此问题，文章归纳了来自 LangChain、Chroma、Manus、Anthropic、Cognition 等一线团队的五大策略：转移（…- 0
- 0
-
深度解读《AI 智能体的上下文工程》：构建高效 Agent 的七个宝贵教训
本文深入解读了 Manus 团队关于 AI 智能体上下文工程的七个核心经验教训，旨在帮助开发者构建更高效、低成本的 AI Agent。文章首先强调应优先依赖上下文工程而非自训练模型，因为后者成本高昂且效果不佳。接着，详细阐述了如何通过 Prompt 缓存机制（特别是前缀匹配）显著降低成本和延迟，并警示了动态前缀和修改历史消息的常见错误。针对 Agent 应用中的挑战，作者提出了固定工具列表结合预填…- 0
- 0
-
从 Prompt 到 Context：基于 1400+ 论文的 Context Engineering 系统综述
基于对 1400 多篇论文的系统综述，文章深入探讨了“Context Engineering”这一新兴概念，指出其是 Prompt Engineering 的延伸，旨在通过在有限的上下文窗口内精确构建信息，以优化大型语言模型（LLM）的行为。作者首先通过类比搜索引擎的历史，反驳了 Prompt Engineering 将被弱化的观点，并引入了 Context Engineering。文章将 LLM…- 0
- 0
-
上下文工程：为提示词注入工程学的严谨性
文章深入阐述了“上下文工程”这一新兴概念，将其定义为超越传统“提示词工程”的更宏大、系统化的方法。提示词工程侧重于措辞技巧，而上下文工程则关注构建一个完整的信息环境，包含指令、数据、示例、工具和历史记录，以帮助 AI 模型可靠地完成任务。文章详细解释了如何动态地、有组织地向 AI 模型提供高质量上下文的实用技巧，包括提供相关代码、设计文档、错误日志、数据库结构图、PR 反馈、期望示例以及明确限制等…- 0
- 0
上下文工程
-
✈优惠劵使用时效：无法使用使用时效：
之前
使用时效：永久有效优惠劵ID：×