Anthropic提出上下文工程，推进AI助手智能化转型

来源：市场资讯（科技）

近日，Anthropic在发布Claude Sonnet 4.5的同时，还推出了一项备受瞩目的概念——上下文工程。该公司的研究团队认为，随着人工智能逐渐踏入智能体（Agent）时代，构建语言模型的重点正在由简单的“为提示找到正确的词语和短语”转变为一个更为深奥的问题：“什么样的上下文配置最能促使模型产生我们所期望的行为？”从某种程度上提示工程（Prompt Engineering）正在自然地演变为上下文工程，以适应AI技术的发展需求。

上下文的价值不言而喻，它是智能体操作的核心动力。随着技术的进步，上下文的管理与筛选也愈发复杂，因此，Anthropic的这篇文章将深入探讨一些具体的策略，以帮助大家有效地管理这些关键信息。

上下文工程与提示工程的区别

在了解上下文工程之前，我们先来澄清一下提示工程的定义。提示工程主要是专注于如何编写和组织语言模型（LLM）的指令，以获得最佳输出。它的核心在于制作有效的系统提示（System Prompt），特别是在进行单轮查询时。上下文工程则更加注重全面管理整个上下文状态，包括系统指令、外部数据、历史消息等各种能够融入上下文窗口的信息。简单提示工程是静态的、一次性的，而上下文工程则是动态的、多轮循环的操作。

在上下文工程的执行过程中，模型需要从一个包含文档、工具和历史消息的“可能上下文池”中进行信息筛选，通过“策划”来挑选出最优信息，然后再进行思考、调用工具并执行下一步操作。这一过程在每一次决策循环中都会发生，是上下文工程的核心所在。

上下文工程的重要性

为什么上下文工程如此关键？Anthropic提出，尽管大型语言模型能够处理越来越多的数据，但它们在某些情况下仍然会感到困惑或失去焦点。这种现象被称为“上下文腐烂”（Context Rot）；即随着上下文窗口中令牌数量的增加，模型对于信息的有效回忆能力会下降。根本原因在于Transformer架构的内在限制：每个令牌需要与上下文中其他所有令牌建立关系，这会造成复杂性增长。当上下文长度超过一定程度时，模型的“注意力预算”便开始被稀释。

因此，上下文被视为一种有限而极为珍贵的资源。优秀的上下文工程在于找到一个能最大化期望结果聚合效果的、高信噪比的最小令牌集合。

有效上下文工程的三大核心组件

Anthropic为有效的上下文工程提供了三项关键指导原则：

1. 系统提示的平衡：系统提示是一门艺术，过于具体可能导致系统脆弱，过于模糊会使模型难以理解。最佳实践是达到一个“黄金区域”，既能有效指导行为，又具备足够的灵活性。建议梳理提示结构，例如将背景信息和指令清晰分开，确保通过精简的信息聚合传达预期行为。

2. 工具的设计：良好的工具像高效的代码库，应该自包含并功能内聚，尽量减少功能叠加，对错误具有鲁棒性并明确输入参数的性质。常见的失败模式是工具集合臃肿，因而必须精简工具，提高有效性。

3. 示例的选择：提供示例是最佳实践，但需注重质而非量。建议策划一组多样化示例，通过规范化表达Agent的预期行为。有效的示例能够迅速提升模型的理解与响应能力。

从预加载到动态检索

在传统的RAG（Retrieve and Generate）方法中，通常会在推理前检索并“预加载”所有相关信息。Anthropic指出了一种新趋势——即时上下文策略。此种模式下，Agent仅维护轻量级的标识符，如文件路径和URL，在运行时利用工具动态加载数据。这种设计灵感来源于人类不会储存所有信息，而是通过文件系统和书签随时检索。

Claude Code便是这一策略的实践者，它能通过Bash命令等工具分析大规模数据库，而无需将其全部信息加载到上下文。这种方法支持渐进式披露，使Agent通过不断探索逐步发现相关上下文，实现更为灵活的决策规划。

应对长期任务的策略

面对时间跨度大于单个上下文窗口的复杂任务，Anthropic提出了三项应对策略：

1. 内容压缩：在对话接近上下文窗口限度时，通过让模型对现有内容进行与压缩，在新的上下文窗口中以高保真度保持关键信息。

2. 结构化笔记：定期将重要信息持久化至上下文外的安全存储。这种自主学习记录心得的方式让Agent能够在上下文重置后，通过读取笔记维持任务连续性。

3. 子智能体架构：通过不同的专业化子智能体分工合作，一个主智能体负责高层规划，从而提高整体系统的效率。

未来展望

上下文工程的引入标志着大型语言模型应用构建的根本变革，随着模型能力不断增强，如何高效规划信息流将决定智能体系统的成功可行性。无论是面对长时程任务的压缩与记录、还是设计高效的工具与即时探索机制，Anthropic始终强调的原则是利用最小的高信噪比令牌集，以最大化预期结果的期望可能性。

即使在未来，模型拥有更高的自主性，依然需要将上下文视为一种宝贵的资源。这一理念将持续引导我们构建出更加可靠、高效的AI智能体，推动整个人工智能技术的持续进步与应用普及。