context-engineering

Context Engineering 是一个开源教育仓库，作为理解和实践上下文工程的综合手册——上下文工程是一门设计、编排和优化在推理时提供给大语言模型的完整信息载荷的学科。受 Andrej Karpathy 的定义和 Grant Sanderson（3Blue1Brown）第一性原理方法的启发，该仓库超越了提示工程，处理围绕单个提示的更广泛生态系统：示例、记忆、检索、工具、状态和控制流。 该仓库被组织为一条渐进式学习路径，分为若干目录： 1. **00_foundations/** — 理论与核心概念，涵盖数学基础、上下文组件和处理模型。本节建立上下文工程的理论基础，包括 token 预算优化、少样本学习、记忆系统、检索增强、控制流、上下文剪枝和指标评估。 2. **10_guides_zero_to_hero/** — 动手实践演练，配有可运行的 Python 代码（Jupyter Notebook 风格），演示从最小提示到高级上下文管理系统的概念。 3. **20_templates/** — 可复制粘贴的 YAML 和配置模板，可直接集成到项目中，包括最小上下文配置和结构化提示模板。 4. **30_examples/** — 真实世界项目实现，复杂度逐步提升，从玩具聊天机器人开始，扩展到具有上下文管理的多智能体系统。 5. **40_reference/** — 面向高级实践者的深入探讨、评估手册和参考资料。 6. **50_contrib/** — 社区贡献和扩展。 该仓库借鉴了来自 ICML、IBM Zurich、NeurIPS 等会议和机构的最新研究，包括： - **MEM1（Singapore-MIT，2025 年 6 月）**：展示推理驱动的记忆巩固如何通过将交互压缩为紧凑的内部状态而非累积无尽上下文，实现高效的长时程智能体。 - **Cognitive Tools（IBM Zurich，2025 年 6 月）**：表明作为“工具调用”的结构化提示模板可将 GPT-4.1 在 AIME2024 上的表现从 26.7% 提升至 43.3%，无需额外训练即可接近 o1-preview 的表现。 - **Emergent Symbolic Mechanisms（ICML Princeton，2025 年 6 月）**：识别出支持 LLM 抽象推理的三阶段架构（符号抽象头、符号归纳头、检索头），解释了为何 Markdown 和 JSON 等结构化格式更易解析。 - **Context Engineering Survey（2025 年 7 月）**：对 1400 多篇研究论文的系统综述，将上下文工程定义为在推理时提供给 LLM 的完整信息载荷。 该仓库还通过 agent 命令支持多种 AI 编码工具，包括 Claude Code、OpenCode、Amp、Kiro、Codex 和 Gemini CLI。它使用 ASCII 图、Mermaid 图和符号表示进行可视化，以说明诸如生物隐喻（原子 → 分子 → 细胞 → 器官 → 神经系统 → 神经与语义场理论）和四级精通框架（基础上下文工程 → 场理论 → 协议系统 → 元递归）等概念。 涵盖的关键概念包括 token 预算优化、少样本学习、记忆系统、检索增强、控制流、上下文剪枝、指标与评估、认知工具与提示编程、神经场理论、符号机制和量子语义。该仓库强调“衡量一切，无情删除”的理念，每个概念都有可运行的代码单元和可视化。 该项目采用 MIT 许可证，欢迎社区贡献。它还链接到补充资源，包括正在建设中的综合课程、DeepWiki 集成、DeepGraph 可视化以及用于讨论的 Discord 社区。