AITOPAI热报

上下文工程

共 16 条相关 AI 资讯
8月31日
08:26
8月25日
18:33
18:33掘金本周最热@老王以为
精选
本文深入探讨上下文工程，解释其如何决定 AI Agent 能力上限，并从 API 消息结构出发，逐层深入上下文工程的各个维度。强调上下文质量对 Agent 能力的决定性作用，并指出上下文工程是开发高效 Agent 的关键所在。
技巧上下文工程AI Agent能力上限
推荐理由：这篇文章深入浅出地解释了上下文工程，对于想要了解 AI Agent 能力上限的人来说，是一篇不可错过的教程。
原文
8月21日
00:28
00:28Weaviate@weaviate_io
精选
可靠智能体RAG依赖控制信息如何到达模型、何时到达以及以何种形式到达。上下文工程分为5个相互关联的系统：1. 查询增强，用户输入混乱，需重写、扩展或分解查询以匹配检索系统。2. 检索，分块存在权衡，小分块提高精度但丢失上下文，大分块增加上下文但消耗更多窗口。3. 记忆，完整对话历史会产生噪音，长期记忆应存储在模型外部并定期维护。4. 工具，工具描述和选择消耗上下文，暴露过多 poorly described 工具会降低效率。5. 智能体，连接所有部分但会放大上游错误。
技巧RAG智能体提示词工程
推荐理由：Weaviate 分享了智能体RAG的5个关键系统，告诉你为什么优化提示词没用，以及如何真正控制信息流。
原文
8月18日
00:53
00:53AI Engineer@aiDotEngineer
精选
这场工作坊围绕上下文工程展开，以开源AI导师为实例，讲解如何设计每次模型调用时看到的指令、历史、检索内容和工具输出。内容分三阶段：解决有限窗口和无状态模型两个根本问题，整理截断、修剪、摘要、卸载到文件等压缩工具，并覆盖跨会话记忆与按需技能加载。团队用Gemini测量了每次运行的token、成本、延迟和内存探针，而非主观评估。在真实负载下Gemini Flash成本偏高，因此他们测试了开源和本地模型是否能以更低成本匹配质量。所有实现均已开源，将在工作坊中分享代码和评估工具。
技巧上下文工程Gemini开源模型
推荐理由：想省token成本？这场工作坊用开源AI导师演示上下文压缩全流程，还对比了Gemini和开源模型的质量和开销。
原文
8月4日
05:37
7月24日
00:46
00:46Weaviate@weaviate_io
精选
Weaviate发布的视频指出，更大的上下文窗口无法解决有问题的Agentic RAG管道。长上下文会引入矛盾信息、掩埋相关工具并导致后续输入被忽略。视频将生产级Agentic RAG拆分为5个系统：查询增强（翻译模糊或多部分输入）、检索（选择平衡精度与上下文的块策略）、记忆（分离短期上下文与长期记忆）、工具（提供清晰描述和schema）和代理（决策编排层）。每个环节都需精心设计上下文工程，而非仅靠扩大窗口。
技巧WeaviateRAG智能体
推荐理由：Weaviate出了个视频，把Agentic RAG拆成5个系统讲透了，不是吹大窗口，而是教你怎么控制上下文，推荐搞RAG的人看看。
原文
7月19日
05:54
05:54elvis@omarsar0
精选
ProofAgent-Harness 是一个开源评估基础设施，通过多陪审员共识对 Agent 上下文进行七维评分，涵盖角色清晰度、护栏覆盖、指令一致性、工具模式质量、基础充分性、注入防护和令牌效率。实验表明，基础充分性分数预测幻觉抵抗能力，护栏覆盖分数预测操纵抵抗能力，工具模式质量分数预测工具使用准确性。该工具将上下文评分与行为指标和发布决策分离，独立作为 Agent 可靠性的领先指标。论文发布于 arxiv.org/abs/2607.14275。
AI模型ProofAgent-Harnessdair.aiAgent可靠性
推荐理由：dair.ai 团队搞了个开源工具 ProofAgent-Harness，能给你的 Agent 上下文质量打分，提前知道它会不会幻觉、被攻击或乱用工具，比光看行为测试靠谱多了。
原文
6月29日
06:36
06:36宝玉@dotey
精选
RepoPrompt 社区版已上线 GitHub，作者 Provencher 被 OpenAI 开发者体验负责人 Romain Huet 挖走。该工具帮开发者从代码仓库中精选文件拼成 prompt，解决超 32K token 导致模型变笨的痛点。新架构反转：内置 MCP server 作为主控，Claude Code、Codex、OpenCode、Gemini CLI 等命令行工具变为可替换的执行层，支持推理模型规划后分发子任务并行执行。目前仅支持 macOS，可通过 Homebrew 安装（brew install --cask repoprompt-ce）。
AI产品RepoPromptOpenAIMCP
事件专题
推荐理由：RepoPrompt 的作者被 OpenAI 招安，工具直接开源了，现在免费还支持 MCP server 调度多个 agent，做上下文工程省心很多。
原文
6月28日
00:56
00:56berryxia@berryxia
76°
Anthropic的Lamis在2026年AI DevCon上分享了上下文工程实践，从Claude MD文件起步，发现其效果出奇地好（unreasonably effective）。第二步引入记忆工具，让Agent自主读写，效果优于人类。第三步Skills采用渐进式披露，类似书架取书。第四步文件系统用bash和grep搜索，不需要向量数据库。生产环境面临多Agent并发写入等问题，Anthropic提出版本控制、并发控制等四个原则。最后介绍“做梦”机制：异步批量分析会话记录，识别模式并调整上下文，已在生产中运行，降低token成本。
技巧AnthropicClaude上下文工程
事件专题
推荐理由：Anthropic工程师手把手教你上下文管理套路，从最基础的文件到高级的“做梦”架构，半小时就能上手实操。
原文
6月23日
03:54
6月3日
00:52
00:52Qdrant@qdrant_engine
Qdrant 宣布将举办 Vector Space Day 大会，聚焦 AI 记忆与检索技术。Cognee 的 Dave Nielsen 将剖析当前系统中短期与长期记忆的真实实现，指出 AI 记忆并非单一技术，而是 Markdown 文件、向量数据库和图数据库的混合体。大会还涵盖从云端到边缘的检索、多模态 AI 等话题，面向构建向量搜索、AI 记忆、上下文工程和检索基础设施的工程师。活动将于 6 月 11 日举行，现已开放售票。
行业AI记忆向量搜索检索基础设施
推荐理由：搞 AI 记忆和检索的工程师终于有个正经的技术大会了——Dave Nielsen 会拆解短期/长期记忆的真实架构，做 RAG 或智能体的团队值得去听听。
原文
6月2日
10:20
5月30日
10:55
10:55AI Engineer@aiDotEngineer
精选
Leonie 受 Vicki Boykis 启发，将她的首次演讲整理成博客文章，探讨智能体搜索在上下文工程中的角色。文章帮助读者建立对多种搜索工具优缺点的直觉理解，涵盖如何通过智能体搜索优化上下文构建。这篇博客适合对 AI 搜索和上下文工程感兴趣的开发者阅读。
AI产品智能体搜索上下文工程搜索工具
推荐理由：做上下文工程或智能体搜索的开发者，可以通过这篇博客快速理解不同搜索工具的适用场景，直接参考作者的实践经验来优化自己的系统。
原文
5月23日
10:37
5月21日
08:00
08:00elvis@omarsar0
精选
QodoAI 推出了新播客《The Agentic Review》，由 Itamar Friedman 和 Nnenna Ndukwe 主持，聚焦 AI 编程的真实实践。节目不炒作也不唱衰，而是讨论高质量 AI 生成代码的实际含义。嘉宾包括 Dexter Horthy、Scott Hanselman 和 Matt Makai，内容涉及上下文工程、代码审查等关键话题。Dexter Horthy 分享的团队停止阅读代码、最终手动重建的教训，对 AI 工程师极具启发。节目核心观点是：虽然打字编码可能消亡，但软件生命周期、代码审查和工艺比以往更重要。
AI产品AI编程播客代码审查
推荐理由：AI 编程领域终于有了不吹不黑的深度对话，做 AI 工程或代码审查的团队值得听——Dexter Horthy 关于上下文工程的实战经验会直接改变你的工作方式。
原文
5月13日
21:35
21:35官方一手Anthropic: Engineering（资讯）
精选
Anthropic 发布了一篇关于 AI 智能体上下文工程的技术文章，详细介绍了如何通过精心设计系统提示、用户消息和工具定义来提升智能体的表现。文章提出了上下文工程的核心原则，包括明确角色、提供示例、分解任务、控制输出格式等。这些方法能显著减少智能体的幻觉和错误，提高任务完成率。对于正在构建或优化 AI 智能体的开发者来说，这是一份实用的操作手册。
AI产品智能体上下文工程Anthropic
事件专题
推荐理由：做 AI 智能体的开发者终于有了系统性的上下文设计方法论——Anthropic 把工程经验总结成了可复用的原则，直接照着改 prompt 就能看到效果提升，建议点开收藏。
原文