Context Engineering

上下文工程是策划、管理和构建在推理过程中提供给人工智能模型的信息的艺术与科学。虽然Prompt Engineering主要关注编写有效的指令，但上下文工程通过系统地优化填充模型context window的 token 有效负载（例如实时数据、外部知识和工具反馈），使这一步更进一步。其目标是确保Large Language Model (LLM)或Vision-Language Model (VLM)获得准确推理所需的精确背景，而不会遭受信息过载的困扰。

正如最近一份关于LLM 上下文工程的综合调查中所概述的那样，该学科涉及信息检索、处理和管理的规范化。它本质上充当了现代 AI 应用程序的内存和智能管道。

AI 业务上下文细化#

对于企业而言，通用 AI 模型常常受到其与专有数据隔离的限制。上下文工程促进了 AI 业务上下文的精细化调整，这意味着模型的输出专门针对组织的独特工作流和实时数据流进行了调整。通过集成Retrieval-Augmented Generation (RAG)，公司可以将上下文的上下文（来自内部 wiki、客户关系管理系统或实时 API）无缝地直接拉入模型的处理管道中。

该领域最重要的突破之一是Model Context Protocol (MCP)，这是由Anthropic最近推出并由Linux Foundation托管的开放标准。MCP 通过为 AI 助手提供通用连接器来解决海量数据集成问题，使开发人员能够标准化如何将上下文组织知识注入其Agentic Workflows中，而无需为每个新数据源构建自定义管道。

策略：角色上下文记忆与优化#

有效的上下文工程依赖于战略性的内存管理，以防止模型遗忘关键指令或产生幻觉。通过正确利用这些技术，开发人员可以从一次性聊天查询转向高度可靠、能够执行多步企业工作流的自主系统：

• Write Context：将特定的、高价值的数据直接注入系统提示词中，以引导即时行为。
• Select Context：动态检索向量数据库中最相关的片段，以提供实时的组织知识。
• Compress Context：总结冗长的文档，使其符合 GPT-4o 或Google Gemini等大容量模型的内存限制。
• Isolate Context：在多个子智能体之间分配任务，以便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内存。

现实世界的 AI 应用#

上下文工程正在跨多个行业积极地转变基于文本和基于视觉的 AI 解决方案：

• Enterprise Multi-Tool Agents：内部公司助手使用上下文工程来支持销售团队。AI 不需要用户来回粘贴信息，而是通过 MCP 安全地从 CRM 中检索实时的客户数据。然后，它会总结最近的通信并起草针对性的跟进邮件，极大地简化了日常运营。
• Context-Aware Medical Imaging：在医疗保健中，仅凭视觉数据往往是不够的。computer vision管道可能会使用Ultralytics YOLO26来检测 X 光片中的异常情况。上下文工程在将统一有效负载传递给深度学习模型进行全面诊断推理之前，会将这些视觉边界框与患者的电子健康记录（年龄、既往病史、当前用药）结合起来。

计算机视觉中的上下文工程#

虽然通常与语言模型相关联，但上下文工程对于部署健壮的object detection系统正变得至关重要。在集成使用PyTorch或TensorFlow构建的Ultralytics YOLO26等模型时，开发者可以使用上下文来丰富其用于下游分析的预测结果。

以下 Python 示例演示了如何使用 ultralytics 软件包提取predict推理，并将其与外部元数据进行格式化以创建丰富的上下文有效负载：

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道的数据集，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 license可确保安全且合规地集成先进的上下文工程架构。