Context Engineering

上下文工程是在推理过程中，为人工智能模型策划、管理和构建所提供信息的艺术与科学。虽然提示工程主要侧重于编写有效的指令，但上下文工程更进一步，通过系统性地优化填充模型上下文窗口的令牌载荷（例如实时数据、外部知识和工具反馈）来提升效果。其目标是确保大型语言模型（LLM）或视觉语言模型（VLM）能够获得准确推理所需的精确背景信息，同时避免信息过载。

正如近期一份全面的LLM 上下文工程调查所述，这一学科涉及对信息检索、处理和管理进行形式化。它本质上充当现代 AI 应用的记忆与智能管线。

AI 业务上下文优化#

对于企业而言，通用 AI 模型通常会受限于与专有数据相隔离的状态。上下文工程有助于优化 AI 业务上下文，这意味着模型的输出会针对组织独特的工作流和实时数据流进行专门调整。通过集成检索增强生成（RAG），企业可以将上下文中的上下文无缝引入模型的处理管线，数据来源可以是内部 Wiki、客户关系管理系统或实时 API。

这一领域最重要的突破之一是模型上下文协议（MCP）。这是由Anthropic近期推出、并由Linux 基金会托管的开放标准。MCP 通过为 AI 助手提供通用连接器，解决了大规模数据集成问题，使开发者能够标准化将组织上下文知识注入智能体工作流的方式，而无需为每个新的数据源构建自定义管线。

策略：角色上下文记忆与优化#

有效的上下文工程依赖于策略性的记忆管理，以防止模型遗忘关键指令或产生幻觉。通过合理运用这些技术，开发者可以从一次性聊天查询转向高度可靠的自主系统，使其能够执行多步骤的企业工作流：

• 编写上下文：将具体且高价值的数据直接注入系统提示词，以指导即时行为。
• 选择上下文：从向量数据库中动态检索最相关的片段，以提供实时组织知识。
• 压缩上下文：总结冗长文档，使其能够适应大容量模型（如 GPT-4o 或Google Gemini）的内存限制。
• 隔离上下文：在多个子智能体之间划分任务，使每个子智能体只接收其特定角色所需的背景信息，这通常被称为管理角色上下文记忆。

真实世界中的 AI 应用#

上下文工程正在积极改变多个行业中的文本型和视觉型 AI 解决方案：

• 企业多工具智能体：内部企业助手利用上下文工程为销售团队提供支持。用户无需来回粘贴信息，AI 会通过 MCP 安全地从 CRM 检索实时客户数据。随后，它会总结近期沟通内容并起草有针对性的跟进邮件，大幅简化日常运营。
• 上下文感知医学影像：在医疗领域，仅凭视觉数据通常远远不够。计算机视觉管线可以使用Ultralytics YOLO26检测 X 光片中的异常。上下文工程会将这些视觉边界框与患者的电子健康记录（年龄、既往病症、当前用药）相结合，然后将统一的载荷传递给深度学习模型，以进行全面的诊断推理。

计算机视觉中的上下文工程#

虽然上下文工程通常与语言模型相关联，但它对于部署稳健的目标检测系统正变得日益重要。在集成使用PyTorch或TensorFlow构建的 Ultralytics YOLO26 等模型时，开发者可以利用上下文丰富其预测结果，为下游分析提供更多信息。

以下 Python 示例演示了如何使用 ultralytics 包提取predict推理结果，并将其与外部元数据结合进行格式化，从而创建丰富的上下文载荷：

import json

from ultralytics import YOLO

# Load the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Execute inference on an image
results = model("patient_scan.jpg")

# Extract human-readable class names from the detected bounding boxes
detected_objects = [model.names[int(box.cls[0])] for box in results[0].boxes]

# Apply context engineering: merge visual AI outputs with external metadata
enriched_context = {
    "patient_id": "PX-8923",
    "clinical_history": "Chronic cough, non-smoker",
    "yolo_visual_findings": detected_objects,
    "scan_timestamp": "2026-06-25T09:03:00Z",
}

# Output the structured context, ready to be ingested by an MCP server or LLM
print(json.dumps(enriched_context, indent=4))

为了轻松构建、标注和管理这些复杂视觉管线所需的数据集，团队可以利用Ultralytics Platform。对于在私有环境中以商业方式部署这些解决方案的组织，Enterprise 许可证可确保先进上下文工程架构的安全合规集成。