- 综合排序
- 最热优先
- 最新优先
上下文AI与搜索平台集成以扩展精准上下文工程
生成式AI革命已持续三年，但AI的有效性受到“上下文差距”的限制。 没有正确的上下文，AI模型难以保证相关性，常常产生不准确或“幻觉”的响应。上下文工程旨在解决一个根本问题：在正确的时间以正确的格式提供正确的信息，使AI代理能够执行复杂的、特定于用例的任务。 如今，我们很高兴地宣布，Contextual AI正式加入Elastic AI生态系统——这是一套与Elasticsearch上下文工程平台和向量数据库集成的全面AI技术和工具。 其开放的、可用于生产的架构使其成为大规模构建可靠、上下文驱动的AI应用的理想基础。 通过将Contextual AI用于构建专业RAG代理的端到端上下文工程平台，与某中心的强大向量数据库和统一的Elasticsearch平台相结合，我们正在解决AI开发中最紧迫的挑战：上下文相关性和运营规模
23110编辑于 2025-12-20- 来自专栏圣杰的专栏
.NET+AI | MEAI | 上下文压缩（7）
Chat Reducer：让 AI 对话突破上下文限制 一句话简介 Microsoft.Extensions.AI 的 Chat Reducer 通过智能压缩策略,在保持对话质量的前提下,有效控制上下文长度 核心价值 ✅ 突破限制:解决 LLM 上下文窗口限制(如 GPT-4 的 8K/32K tokens) ✅ 成本优化:减少输入 token,显著降低 API 调用成本 ✅ 性能提升:缩短上下文长度,加快模型推理速度 SummarizingChatReducer(摘要压缩器) 利用 AI 自动生成摘要压缩历史对话。 核心特性: 超过阈值时自动调用 AI 生成摘要 摘要存储在 AdditionalProperties 中 渐进式压缩(新摘要包含旧摘要) 保留完整语义上下文 适用场景: 医疗咨询(完整病史重要) 使用计数压缩器 using Microsoft.Extensions.AI; // 创建压缩器,保留最近 3 条消息 var countingReducer = new MessageCountingChatReducer
32710编辑于 2025-12-28 - 来自专栏Elastic Stack专栏
Agent Builder：AI Agent如何管理上下文
Agent Builder：AI Agent如何管理上下文 Agent Builder 现已正式 GA。 最终，上下文窗口会被填满，准确率下降，Token 成本攀升。管理上下文已是一个首要问题。 我们还为较长的交互引入了智能上下文压缩：随着对话进行，代理会管理哪些内容留在活动上下文中，哪些被压缩成一个摘要（可在需要时检索）。 借助上下文压缩，即使对话达到 30 轮或更多，上下文窗口依然能保持在限制内，而不是迅速膨胀到最大值。 我们将在代理领域走向何方 能够优化运营数据上下文的代理，需要与我们在 搜索相关性 上多年来投入的 上下文工程 同等程度的精心设计。
13621编辑于 2026-05-26 - 来自专栏AIoT技术交流、分享
AI Coding时上下文不够用咋办？
上下文窗口，就是 AI Coding 的片上 RAM。 嵌入式工程师对资源限制很敏感。 现象只在 UART3 DMA 空闲中断路径复现，半传输回调未复现 真正好用的办法是给 AI 做一套上下文分层 我现在更倾向于把 AI Coding 的上下文分成四层。 第 1 层是本轮任务上下文。 AI 不需要一次性吃下所有资料，它只需要在需要的时候拿到正确片段。 这四层配起来，AI 才不需要把所有东西都塞进一个上下文窗口里。 给上下文做预算，别把窗口交给运气 上下文资源有限，就应该有预算。 让 AI 按需取上下文，而不是一次吃完整个仓库 大仓库里，最糟糕的方式是把大量文件一股脑塞进去。 更好的方式是先建立索引，让 AI 先知道去哪里找。 你可以把索引理解成代码仓库的目录缓存。 如果做不到，那上下文再大也只是晚一点溢出。 把上下文管好，AI 才不会只是一个能写代码的聊天窗口。它会慢慢变成项目里的第二块工作台：一边放代码，一边放证据，一边留下下一次还能接着用的经验。
10510编辑于 2026-06-04 - 来自专栏DeepHub IMBA
为 AI agent 构建智能上下文记忆
Memory（记忆）是任何有效 AI agent 的基础组件。在最核心的层面，memory 存的是过去的用户交互和上下文信息，让 agent 在时间维度上做出更准确的响应。 视情况，agent 可能： 触发一次工具调用 向用户请求澄清 直接给出最终响应 Memory 把 AI agent 从被动响应的系统，变成具备上下文感知的助手。 句子先被切成 token，然后用轻量级 AI embedding 模型把每个 token 转成向量。每个 token 向量会基于周围词提供的上下文做细化。 系统会跨图检索互相连接的上下文，从而支持多跳推理，而不仅仅是语义相似度。 总结 现代 AI agent 想给出准确且个性化的响应，光靠关键词匹配或孤立的语义相似度是不够的。 agent memory 的未来在于从存储信息转向连接知识，让 AI 系统从上下文感知的助手，进一步演进为具备上下文推理能力的协作者。 by Mudassir Fazal 喜欢就关注一下吧
23910编辑于 2026-05-11 - 来自专栏phodal
AI 智能体交互语言 DevIns：构建上下文感知的 AI 驱动编程
在 AutoDev 1.7.2 中，我们开始构建一个新的 AI Agent 语言：DevIns，即 Development Instruction。 PS：其实原来是叫 DevIn，但是无奈 Devin AI 项目发布了 demo 视频，所以改名为 DevIns。 在 AutoDev 项目中，我们通过构建上下文感知与自定义能力，来实现对于软件开发任务的智能辅助，如自动测试生成与运行、UI 自动生成等。 你可以将你的需求描述成自然语言： 解释代码 /file:src/main/java/com/example/Controller.java 而后，AutoDev 将会结合上下文，并将其编译成对应的指令文本 而当语言接近发布的时候， 在社交媒体上更火的 Devin AI 项目也刚好发布了 demo 视频。 WTF????
53410编辑于 2024-03-25 VFP AI 插件：超长上下文的识别(一)
VFP AI 插件在访问大模型时，有一个上下文长度的问题。 对于 DeepSeek 而言，其大小为 128K(=128000 token)。 VFP AI 插件 2025.12.15 版，初步实现超长上下文的处理： 所分析 VCX 类库，使用类浏览器转换出的 prg 格式文件，文件体积为 400+KB，共 10329 行，超过模型最大上下文的最大限制
18110编辑于 2026-03-10你是什么，你的 AI 就是什么，你的上下文是怎样的，你的 AI 上下文就是怎样的
这不仅是角色扮演，更是一种思维同频： 当你以老板的上下文跟 ta 讲： 谈的是护城河、ROI、资源配置和宏观战略，ta 瞬间就是另一位深谋远虑的合伙人，与你推演商业棋局； 当你以生物学家的上下文跟 ta 在这个过程中，AI 并不是在凭空创造，而是在「共鸣」。 但这往往不是因为 AI 不够聪明，而是因为站在镜子前的人，并没有给出足够清晰的影像。 PART.04 你是谁，便遇见谁 使用 AI 到最后，你会发现这其实是一场向内的修行。 限制 AI 输出上限的，往往不是算力，也不是显卡，而是： 你对问题本质的理解程度； 你构建专业语境的能力； 你自身知识体系的边界。 你是什么，你的 AI 就是什么。
22210编辑于 2026-01-27Go在AI对话上下文压缩处理上的实践
这是因为大模型有上下文长度限制，对话越长，历史消息越多，就越容易超限。结合我的理解，这篇文章分享一下如何实现上下文压缩，让你的 AI 应用既能"记住"关键信息，又能节省成本。 为什么需要上下文压缩？ 面对上下文压缩，我们有三种主流策略： 摘要压缩：让 AI 把历史对话总结成一段摘要。适合长对话场景，比如客服机器人、知识问答。优点是信息损失小，缺点是需要额外 API 调用。 也可以根据 Token 数量判断，超过总上下文的 70% 就压缩。 注意事项： 摘要会丢失细节信息。如果用户问"我刚才说的那个餐厅叫什么"，AI 可能答不上来。 太小会丢失上下文，太大又起不到压缩效果。可以根据实际场景调整。 一个改进技巧： 系统消息（System Prompt）要始终保留。它定义了 AI 的角色和行为准则，丢了会影响回复质量。 可以设计一个机制，当 AI 不确定时主动追问："抱歉，能再告诉我一次您的联系方式吗？" 写在最后 今天我们介绍了三种 AI 对话上下文压缩策略： 摘要压缩：让 AI 总结历史，保留语义完整性。
52910编辑于 2026-03-02- 来自专栏又见苍岚
上下文
所以业务上下文变更需要慎之又慎。 运行程序上下文 大家应该对一句话有印象：（进程/线程）上下文切换开销很大。这里的上下文一般指的就是运行程序的上下文。 这里的通信问题就是进程上下文切换开销大的缘故。 方法/类所在的上下文（作用域） 方法上下文可以理解为方法所在的作用域。类亦如此。 还有一些比较特殊的概念实际上也是和方法上下文相关。 比如worker语言特性中，需要监听message事件，这实质上，就是在当前上下文监听另一个上下文的状态。再比如回调函数。实际上是因为上下文变更后，对原有上下文访问的一种编程手段。 从这个角度看，闭包实质上也是对上下文的一种操作手段：返回一个函数，该函数在当前上下文可以操作闭包上的上下文。 执行上下文：当函数或方法被调用时，它会创建一个执行上下文，这个上下文包括了局部变量、参数、返回地址等信息。在JavaScript等语言中，执行上下文还包括this的值。
87010编辑于 2024-07-31 VFP AI 插件：超长上下文的识别(二)
距离上一篇VFP AI 插件：超长上下文的识别(一)有些时间了。经过不断的试错和优化，终于完成了 VFP AI 插件的超长上下的识别。将时间从数小时压缩至最多几十分钟。 也意味着，为使用 VFP AI 插件进行项目分析扫清了主要的障碍。 凤凰涅槃，浴火重生！
13310编辑于 2026-03-10Elastic与Cursor集成：上下文工程加速AI编码
Elastic与Cursor宣布深化合作，Cursor是一个领先的基于代理构建软件的AI编码平台。Elastic充当这些代理调用的上下文后端，从生产系统大规模提供实时的可观测性、安全性和搜索数据。 双方将上下文工程直接引入代理开发平台，使编码代理能够超越仓库感知，基于实时运营数据给出每一条建议、重构和修复。 可靠、可信的AI始于上下文工程，即构建系统为AI代理提供完成复杂任务所需的精准、有依据的信息和工具。 上下文工程不止于数据层。在Cursor内部，它表现为一个持续循环：代理读取代码、运行测试、观察日志、呈现告警、提出修复，全程不离开编辑器。 Cursor市场上的Elastic插件该插件捆绑了两个互补能力，提供完全上下文工程化的开发体验。
17110编辑于 2026-04-26- 来自专栏设计模式
AI 智能体上下文工程 4 大实用策略解析
【上下文工程是】“……一种精妙的艺术与科学，旨在为下一步操作的上下文窗口填充恰好所需的信息。” LLM应用中常见的上下文类型 在构建LLM应用时，我们需要管理哪些类型的上下文呢？ ）：上下文内容过多超出模型训练适应范围 - 上下文混淆（Context Confusion）：冗余上下文影响响应结果 - 上下文冲突（Context Clash）：上下文各部分信息相互矛盾 工具调用产生的上下文会在智能体的多轮交互中不断累积 鉴于此，Cognition公司强调了上下文工程的重要性： “上下文工程”……实际上是构建AI智能体的工程师的首要工作。 在AI工程师世界博览会上，西蒙·威利森（Simon Willison）分享了一个选择失误的例子：ChatGPT从记忆中获取了他的位置信息，并意外地将其注入到用户请求生成的图像中。 选择上下文——将信息拉入上下文窗口，辅助智能体执行任务。 压缩上下文——仅保留执行任务所需的tokens。 隔离上下文——拆分上下文，以帮助智能体执行任务。
1K11编辑于 2025-10-20 - 来自专栏大前端修炼手册
AI编码提效实战：Skill、Rule与上下文工程
Spec编写：让PRD自动变成技术方案 第3篇：AI编码提效实战：Skill、Rule与上下文工程（本篇） ⏳ 第4篇：AI Code Review：让每一行代码都有AI审查员 ⏳ 第5篇：AI Bug 上下文工程要解决的问题是：在 AI 完成当前任务所需的最小信息集合和上下文窗口容量之间，找到最优平衡点。 3.1 上下文的四个层次 我把 AI 编码时的上下文分成四层，从成本最低到最高： 上下文金字塔 L4：全项目索引 成本最高·效果不确定 ↑ L3：相关文件引用 中等成本·效果好 ↑ L2：模块 每次 AI 生成的代码不符合你的预期，先想想：是 Rule 没覆盖到，还是上下文没给对？然后更新相应的配置文件。 编写：让PRD自动变成技术方案 第3篇：AI编码提效实战：Skill、Rule与上下文工程（本篇） ⏳ 第4篇：AI Code Review：让每一行代码都有AI审查员 ⏳ 第5篇：AI Bug修复与测试生成
44410编辑于 2026-05-11 - 来自专栏DotNet NB && CloudNative
.NET + AI | 可控广播上下文相关的函数列表
上下文匹配搜索：每次发起会话时，根据上下文信息在向量存储中搜索最匹配的函数。 模型调用：将匹配的函数传递给语言模型，用于生成更准确的响应。 Microsoft.SemanticKernel.Agents.Core,*-*" #r "nuget:Microsoft.SemanticKernel.Connectors.InMemory,*-*" #r "nuget:Microsoft.Extensions.AI 初始化 Kernel 通过 Kernel 实现 AI 服务的初始化，包括注册聊天模型和嵌入生成器： var builder = Kernel.CreateBuilder(); // 添加 Azure 代码如下： using Microsoft.Extensions.AI; ///
/// 返回属于不同分类的函数列表。 自定义上下文函数提供者 通过 InMemoryVectorStore 和 ContextualFunctionProvider 实现上下文感知功能选择： using Microsoft.SemanticKernel.Connectors.InMemory 22700编辑于 2025-07-04 【AI大模型新资讯】从信息蜂房到上下文工程
（3）AI游戏引擎不同于传统游戏引擎，AI游戏引擎是玩家想象力的“放大器”，任何人可以随心所欲“创造”游戏！AI引擎的崛起带动着生成式游戏的兴起与发展。 （4）质陪解决方案由中关村科金得助智能开发，创造性地融合成熟的AI大模型质检与陪练系统，推出了全面高效的“质陪解决方案”。智能质检采用大小模型结合的方式，对销售人员的销售行为进行全方位监测和分析。 （5）上下文工程上下文工程指通过为任务提供完整的背景信息，让大模型能够合理解决问题。在AI智能体的兴起发展过程中，上下文工程才是决定大多数AI智能体成败的关键而并非模型。 上下文工程致力于设计和构建动态系统而并非字符串，这些系统在恰当的时机提供信息和工具，从而让LLM拥有完成任务所需的一切。
18120编辑于 2025-07-15- 来自专栏AI大模型应用开发炼丹房
揭秘上下文工程+MCP：打造高效AI智能体的秘诀
大模型其实根本不用懂 模型上下文协议（MCP）如今已成为构建AI智能体时“工具调用”的标准配置。但很多人误解了一点：你的大语言模型（LLM）并不需要理解MCP是什么。 如果你对上下文工程不是很清晰，我之前也整理过关于Agent上下文工程的工作原理，建议粉丝朋友自行查阅，以便更好的理解本文的分享内容：《图解Agent上下文工程，小白都能看懂》MCP 的作用，其实是帮助AI AI回复（可能包含工具调用请求）2. 用户问题（如“旧金山天气如何？”）2. 若需调用工具：标注工具ID、名称及参数3. 三、MCP：开发者的“工具万能接口” 模型上下文协议（MCP）的本质，是一种标准化方法，用于帮助AI智能体连接多种数据源，包括工具、提示语、资源、示例等。 四、回归上下文工程：MCP是来帮你减负的 “上下文工程”的核心在于为模型提供高质量的背景信息，以引导其生成更准确的回复。
91951编辑于 2025-09-30 - 来自专栏老欧说安卓
15天学会AI应用开发（五）使用AI摘要来压缩上下文消息
就历史对话的上下文而言，精简文字内容同样适用，这个精简过程被称作“摘要”，意思是摘取主要信息。 企业可以通过火山方舟快速构建自己的AI应用，降低开发成本与技术门槛。 企业可以通过火山方舟快速构建自己的AI应用，降低开发成本与技术门槛。 企业可以通过火山方舟快速构建自己的AI应用，降低开发成本与技术门槛。 本系列的AI应用开发文章目录为《15天学会AI应用开发全目录（零基础小白，零Token消耗）》。
11310编辑于 2026-05-26 - 来自专栏Linyb极客之路
即时上下文才是AI智能体设计的终极密码
即时上下文就是AI代理开发的终极奥义 我现在跟AI代理打交道的时间越长，就越发现一个真理，这个真理简单到让人想拍大腿，那就是"即时上下文"这四个字简直就是万能钥匙，几乎能打开当前AI代理技术栈里的所有大门 这个发现适用于目前AI代理技术栈里的几乎所有组件，每一个都在印证这个"即时上下文"的真理。 这位老哥观察到，目前所有的AI代理框架和工具（也就是他说的"harnesses"），优化的方向都在朝着即时上下文这个点靠拢。大家都在想办法让上下文加载更智能、更精准、更及时。 即时上下文不仅仅是一个技术细节，它是AI代理架构设计的第一性原理，理解了这一点，就理解了AI代理的过去、现在和未来。 因为AI模型的上下文窗口是有限的，而且每次加载上下文都是要消耗token、消耗算力、消耗时间的。在资源受限的情况下，"精准投放"比"大水漫灌"重要得多。
15710编辑于 2026-04-28 - 来自专栏菩提树下的杨过
spring-ai 学习系列(8)-上下文记忆-多轮对话
继续spring-ai学习之旅，大模型本身是无状态的，也就是每次请求对它来说，都是全新的，无记忆！ \n\n不过，可能题目是在某种特定的上下文中，比如在数学问题中，或者可能题目本身存在一些陷阱。比如，有时候变量可能有不同的含义，或者在某些语言中，变量名可能与实际值不一致？ >org.springframework.ai</groupId> 3 <artifactId>spring-ai-starter-model-chat-memory-repository-jdbc 最新版本只有1.0.0，但是spring-ai-bom最新版却是1.1.0。 当前新问题，扔到聊天上下文中 chatMemory.add(conversationId, new UserMessage(prompt)); // 2.
1.1K10编辑于 2025-08-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号