【内容索引】

• 00:00:02 - 介绍Context Engineering作为下一代Prompt Engineering的概念，与Agent技术密切相关，是当前AI领域的热门话题
• 00:01:06 - 详细解释Prompt Engineering的定义和作用，包括大模型厂家（如Grok、Claude）的系统级设定和用户端的精细化应用技巧
• 00:04:41 - 从2020-2022年Prompt Engineering的兴起，到现在需要处理更复杂的现实世界交互能力，技术发展的历史脉络和演进动机
• 00:06:19 - 用"脑容量有限的员工"比喻语言模型的记忆限制，解释为什么需要高效组织背景信息的机制来解决复杂问题
• 00:08:31 - 将Context Engineering与领导力原则对比，强调"给context而非control"的管理思想，以及与Agent自主决策的关系
• 00:10:09 - 从哲学角度探讨记忆对人类和AI的意义，强调语言模型需要记忆能力才能从工具层进化到AGI水平
• 00:11:48 - 详细介绍Context Engineering的前两个环节：写入上下文（长期/短期记忆）和选择上下文（信息检索和召回机制）
• 00:14:25 - 继续介绍压缩上下文（摘要和修剪方法）和隔离上下文（Multi-agent环境下的信息隔离和沙盒机制）
• 00:17:22 - 通过软件开发团队的例子，详细说明如何为不同角色（产品经理、用户研究、程序员、测试）分配不同的上下文信息
• 00:19:45 - 深入分析Context Engineering面临的安全问题，重点讨论context注入攻击，类比SQL注入攻击的危险性
• 00:22:14 - 探讨随着历史信息增多带来的效率下降，包括token溢出、信息损失、幻觉风险和多智能体的资源消耗问题
• 00:25:24 - 分析Context Engineering本身的发展方向，包括轻量化压缩算法、神经符号系统完善和自动化上下文优化技术
• 00:27:48 - 讨论Context Engineering对大语言模型的推动作用，重点关注长文理解能力的提升需求和相关技术突破
• 00:28:46 - 全面分析四个应用方向：多模态应用（自动驾驶、医疗）、行业定制化、人机环境结合和机器人技术发展
• 00:32:08 - 强调Context Engineering作为AI系统新架构形态的重要性，连接各个处理环节，决定系统自动化水平和实际落地能力

【本期相关】

Reflexion: Language Agents with Verbal Reinforcement Learning

Generative Agents: Interactive Simulacra of Human Behavior

Recursively Summarizing Enables Long-Term Dialogue Memory in Large Language Models

Cognitive Architectures for Language Agents

Executable Code Actions Elicit Better LLM Agents

Toolshed: Scale Tool-Equipped Agents with Advanced RAG-Tool Fusion and Tool Knowledge Bases

Zep: A Temporal Knowledge Graph Architecture for Agent Memory

Provence: efficient and robust context pruning for retrieval-augmented generation

RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection via Retrieval-Augmented Generation

【录制时间】

2025年08月16日

如果你喜欢我的节目，欢迎你分享到更多的地方，也欢迎你在评论区留言交流。