> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/context_engineering_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/context_engineering_guide/di-yi-bu-fen-ren-shi-shang-xia-wen-gong-cheng/01_overview/1.1_definition.md).

# 1.1 什么是上下文工程

## 1.1.1 定义与内涵

**上下文工程**（Context Engineering）是一门系统性的工程学科，它研究如何设计、组织、优化和管理大语言模型所需的全部信息环境，以确保模型能够在正确的时间获得正确的信息，从而产生准确、可靠、符合预期的输出。

这个定义包含几个关键要素：

1. **系统性**：上下文工程不是孤立的技巧集合，而是一套完整的方法论体系
2. **信息环境**：关注的不仅是输入给模型的文本，还包括所有可能影响模型行为的信息
3. **时机与形式**：强调在正确的时间、以正确的格式提供信息
4. **目标导向**：最终目的是实现可靠、可预测的模型输出

## 1.1.2 上下文的多维构成

在大模型应用中，“上下文”是一个多层次的概念，它包括：

```mermaid
graph TB
    subgraph "上下文的构成"
        A["系统指令"] --> E["完整上下文"]
        B["用户输入"] --> E
        C["对话历史"] --> E
        D["外部知识"] --> E
        F["工具定义"] --> E
        G["示例样本"] --> E
    end
```

图 1-1：上下文的多维构成

* **系统指令**：定义模型角色、行为准则和输出格式的基础设定
* **用户输入**：当前任务的具体请求和参数
* **对话历史**：多轮对话中的历史交互记录
* **外部知识**：通过检索或其他方式引入的领域知识、事实信息
* **工具定义**：模型可调用的外部工具、API 的描述
* **示例样本**：用于引导模型行为的少样本示例

## 1.1.3 上下文工程的核心挑战

上下文工程面临三大核心挑战：

**挑战一：有限的上下文窗口**

尽管现代大模型的上下文窗口已经扩展到数十万甚至百万 Token，但它仍然是有限的资源。当需要处理的信息超出窗口容量时，如何选择最相关的内容成为关键问题。

**挑战二：信息质量与密度**

模型的输出质量高度依赖于输入信息的质量。冗余、噪声或不相关的信息不仅浪费上下文空间，还可能干扰模型的判断。在不少评测与线上实践中，过度填充上下文（Context Stuffing）常会带来性能波动、成本上升和延迟增加。

**挑战三：动态与实时性**

许多应用场景需要实时更新的信息，如最新的市场数据、用户状态或系统配置。如何构建动态的上下文管理系统，确保信息的时效性，是一个持续的技术挑战。

## 1.1.4 与驭具工程的关系

在智能体工程的完整版图中，上下文工程并非孤立存在。业界提出的**驭具工程（Harness Engineering）** 涵盖了让智能体在生产环境中可靠运行的全部工程实践，包括工具与权限编排、上下文动态管理、反馈纠错闭环、安全守卫四大职能。上下文工程正是其中“上下文动态管理”这一核心支柱——决定在什么时间节点、把哪些记忆和背景信息注入模型的上下文窗口。

换言之，上下文工程关注“模型看到什么”，驭具工程关注“模型如何安全可靠地执行”。两者互为补充：即使上下文管理做得再精准，如果缺少权限控制、错误恢复和安全守卫，智能体仍然无法在真实业务中稳定运行。

## 1.1.5 上下文工程的重要性

为什么上下文工程如此重要？原因在于：

1. **模型能力的放大器**：相同的模型，配合精心设计的上下文，可以展现出截然不同的能力水平
2. **可靠性的保障**：系统化的上下文管理能显著降低幻觉、错误和不一致行为的发生
3. **成本效率的关键**：优化的上下文策略直接影响 Token 使用量和 API 调用成本
4. **可扩展性的基础**：良好的上下文架构是构建复杂 AI 应用的技术基石

随着大模型从简单的问答助手演进为能够完成复杂任务的智能体，上下文工程的重要性还将持续提升。在智能体时代，上下文不仅是静态的输入，更是动态演化的工作空间。掌握上下文工程，就是掌握了驾驭 AI 能力的核心技术。

这一判断正在获得政策层面的印证。2026 年 7 月印发的[《北京市加快智能体引领发展若干措施》](/context_engineering_guide/fu-lu/references.md)把智能体底层共性技术攻关列为重点，明确支持创新主体实施驾驭层工程（Harness Engineering，即本书 1.1.4 节所称“驭具工程”，同指一门学科），并把“上下文工程优化”置于夯实智能体共性底座的诸项共性技术之首。上下文工程由此从一线团队的经验技巧，上升为被写入地方发展政策的基础性技术优先项——这也从侧面印证了它作为驭具工程“上下文动态管理”核心支柱的地位。