本次查询：Context Engineering
中文解释：上下文工程
常见场景：适用于需要高精度输出的大模型应用 / 如智能客服 / 文档问答 / 代码生成 / 教育辅导等场景
一句话解释
Context Engineering（上下文工程）就是通过精心设计模型输入的上下文信息（包括指令、示例、外部知识、历史对话等），让大语言模型在无需额外训练的情况下，更准确地完成特定任务。
为什么会被关注
随着大语言模型能力越来越强，单纯靠一两句提示词已经很难稳定获得高质量输出。开发者发现，上下文的质量和结构直接决定了模型表现。Context Engineering提供了一套系统的方法论，能显著提升模型在专业领域、长文本处理、多步推理等场景下的可用性。
企业和研究机构开始意识到，与其频繁调优模型参数，不如花精力优化上下文。这种做法成本更低、迭代更快，还能与RAG、工具调用等技术无缝结合，因此迅速成为LLM应用落地的核心抓手。
核心逻辑
核心逻辑基于“上下文学习”机制：大语言模型在推理时，会从输入片段中提取模式并遵循上下文给出的规则。Context Engineering通过安排上下文的结构、精选最相关的样本、控制上下文长度来最大化模型对任务的理解。
关键原则包括：明确角色与目标、提供高质量示例、注入外部知识、动态管理上下文。这相当于给模型构建一个“临时工作记忆”，让它知道该关注什么、不该关注什么。
常见场景
智能客服：将用户历史对话、客户画像、知识库片段组织成上下文，让模型生成个性化答复。文档问答：把用户问题与检索出的相关段落拼接，并给出“如果信息不足请告知”的指令，避免模型胡编。代码生成：在上下文中放入函数签名、类型定义和风格示例，提升代码质量。
流程式任务：例如财务报告生成，上下文需要包含报告模板、历史数据字段和格式化要求。教育辅导：上下文可包含学生的错题记录和课程知识点，让模型给出针对性解析。多轮对话：利用滑动窗口或摘要技术维护对话历史，确保长期对话不掉队。
容易混淆的点
Context Engineering常与Prompt Engineering混淆。后者更关注单条提示词的撰写技巧（如角色设定、格式控制），前者是更系统的工程，涵盖示例选择、外部知识集成、长上下文管理等，是Prompt Engineering的升级和专业化。
它也不是RAG（检索增强生成），RAG是Context Engineering的一种具体实现手段——通过检索补充上下文。Context Engineering还包括静态示例、指令分层、动态示例选择等不依赖外部检索的方法。此外，Context Engineering不涉及模型训练，与Fine-tuning有本质区别。