AI关键摘要：A Survey of Context Engineering for Large Language Models

原文：https://arxiv.org/html/2507.13334v2

Context Engineering 的优化目标公式

\[\mathcal{F}^* = \arg\max_{\mathcal{F}} \mathbb{E}_{\tau \sim \mathcal{T}} \left[ \text{Reward} ( P_\theta ( Y \mid C_{\mathcal{F}}(\tau) ), Y^*_\tau ) \right] \]

各部分含义逐项解析：

符号	含义
$ \mathcal{F} $	一组上下文生成函数，如 Assemble, Retrieve, Select, Format 等
$ \tau \sim \mathcal{T} $	从任务分布 $ \mathcal{T} $ 中采样的具体任务实例
$ C_{\mathcal{F}(\tau)} $	使用函数集 $ \mathcal{F} $ 为任务 $ \tau $ 构造出的上下文
$ P_\theta(Y \mid C) $	LLM 在上下文 $ C $ 下生成输出 $ Y $ 的概率分布
$ Y^*_{\tau}$	任务 \(\tau\) 的理想输出（ground truth）
$ \text{Reward}(P, Y^*) $	衡量模型输出与理想答案之间的质量指标（如准确率、BLEU、F1）
$ \mathbb{E}_{\tau}[\cdot] $	在任务分布上对所有任务的期望性能进行平均
$ \arg\max_{\mathcal{F}} $	寻找最优的上下文生成函数集，使得整体性能最大化

直观解释：

我们希望找到一组上下文生成策略 $ \mathcal{F} $，使得在所有任务上，模型在这些上下文下的输出与理想答案之间的“奖励”最大化。

这就像你在设计一个提示系统，不是为了某一个任务写死一个 prompt，而是构建一套函数系统，能为任意任务自动生成最优上下文。

-end--