一个高质量上下文应该包含什么？

COVER

Context Engineering到底在管什么

先说清楚一件事：Context Engineering管的不是上下文窗口的大小，而是往里面塞什么。

上下文窗口就像AI的"工作台"。工作台太大反而效率低——东西堆太多，找起来费时间，还容易被无关物品干扰。真正的高手不是买更大的桌子，而是知道该把什么工具摆在手边。

所以Context Engineering的核心目标只有一个：提高信噪比。让AI每次对话时，脑子里装的都是跟任务相关的信息，而不是一堆杂音。

这引出一个关键认知：上下文不是越多越好。塞太多内容会导致模型注意力分散，反而输出质量下降。边际收益递减在这里是真实存在的。

上下文窗口结构图，展示五大要素占比分布

阅读全文

高质量上下文的五大要素

一个完整的高质量上下文，包含五大核心要素。它们各司其职，缺一不可：

要素	占比	作用
历史记录	30%	让AI理解对话进展
检索上下文	25%	提供任务相关的外部知识
工具定义	20%	明确AI能做什么
系统提示	10%	设定角色和规则
用户输入	5-10%	当下的具体需求

这个比例不是死的，可以根据任务类型调整。但这个结构是通用的框架。

把它们想象成装修房子：

• 系统提示是地基和承重墙，决定房子稳不稳
• 工具定义是家具，告诉AI能用什么
• 历史记录是相册，让AI知道你们聊到哪了
• 检索上下文是参考资料，补充专业知识
• 用户输入是当下的对话，你刚说了什么

五大要素组成图，含token占比标注

任务目标和背景资料怎么组织

先说任务目标怎么写。很多人犯的错是：把任务目标写成一段描述，而不是结构化的指令。

正确做法是分层组织：

## 角色
你是一个资深代码审查员

## 核心规则
1. 优先关注安全漏洞
2. 性能问题只报告critical级别

## 工作流程
1. 扫描代码
2. 分类问题
3. 生成报告

## 输出格式
- 严重：🔴 标题
- 警告：🟡 标题
- 建议：🟢 标题

这样AI拿到的是一份清晰的任务书，而不是一堆散落的便签。

背景资料的写法也有讲究：

1. 正面表述：告诉AI"应该做什么"，而不是"不要做什么"
2. 提供few-shot示例：一个例子胜过千言万语
3. 去除冗余：只保留跟任务直接相关的信息

有一句话很关键：信息的相关性比完整性更重要。

系统提示分层组织示例，Markdown标题结构

约束和输出格式的实战技巧

约束不是写得越多越好，而是要明确位置和优先级。

❌ 错误示范：

约束：不要犯语法错误，注意输出格式，考虑性能，考虑安全...

✅ 正确做法：

约束（按优先级）：
1. [必须] 输出JSON格式
2. [必须] 包含error字段
3. [建议] 响应时间<200ms

输出格式这块，用结构化示例而不是文字描述。你跟AI说"输出用户信息，包含姓名和邮箱"，AI可能给你返回"姓名：张三，邮箱：xxx"。

但如果你给一个JSON Schema：

{
  "name": "张三",  // string, 用户姓名
  "email": "xxx@xxx.com"  // string, 邮箱地址
}

AI会严格按照这个格式来。这就是Structured Output的威力。

工具描述也要精炼。很多人在这里写一大段说明，其实AI不需要故事，它需要的是清晰的输入输出定义。

Structured Output示例，JSON Schema格式展示

上下文管理的三大策略

聊到这，你会发现一个问题：上下文窗口是有限的，历史记录会越来越长。这时候就需要上下文管理策略。

策略一：预检索 vs 按需加载

• 预检索：对话开始前就把可能用到的资料都加载进来
• 按需加载：需要什么再加载什么

预检索适合知识密集型任务（比如法律咨询），按需加载适合交互型任务（比如聊天）。

策略二：渐进式披露

不要一次性把所有信息都塞给AI。根据对话进展，逐步提供上下文。

比如处理用户投诉：

• 第一轮：只给投诉内容
• 第二轮：用户情绪激动了，加载历史购买记录
• 第三轮：需要补偿方案了，加载公司补偿政策

这样做的好处是保持每次交互的信噪比稳定。

策略三：Compaction压缩

当历史记录太长时，需要压缩。常见做法：

• 摘要替换：将多轮对话压缩成摘要
• 关键事实提取：只保留决策相关的信息
• 索引标记：给重要信息打标签，方便检索

上下文加载策略对比表，Just-in-Time流程图

面试怎么答

基础版（直接背）：

高质量的上下文包含五大要素：系统提示、工具定义、检索上下文、历史记录、用户输入。任务目标要分层组织，用角色-规则-流程-格式的结构来写，用正面表述并提供few-shot示例。约束要明确优先级，输出格式用JSON Schema或结构化示例，而不是文字描述。核心原则是提高信噪比，上下文不是越多越好，要控制边际收益递减。

加分版（拉开差距）：

除了五大要素，还能说出token预算的分配比例，比如历史记录占30%、检索上下文占25%。理解预检索和按需加载的取舍，知道不同场景用什么策略。提到渐进式披露和Compaction压缩这些进阶概念。还能提到上下文水印、关键事实标记等质量控制方法。

一句话总结

高质量上下文 = 五大要素合理分配 × 提高信噪比 × 结构化组织 × 按需管理