• 博客园logo
  • 会员
  • 周边
  • 新闻
  • 博问
  • 闪存
  • 赞助商
  • Chat2DB
    • 搜索
      所有博客
    • 搜索
      当前博客
  • 写随笔 我的博客 短消息 简洁模式
    用户头像
    我的博客 我的园子 账号设置 会员中心 简洁模式 ... 退出登录
    注册 登录

jwang106


脚踏实地,日拱一卒。 建立新的神经链接,可不像公园散步那样简单。
  • 博客园
  • 联系
  • 管理

View Post

Context 与 Context Engine (AI生成)

在 Agent(智能体)架构中,Context(上下文) 和 Context Engine(上下文引擎) 是两个紧密相关但层级不同的概念。简单来说,Context 是“数据/内容”,而 Context Engine 是“处理这些数据的基础设施/系统”。

以下是详细的拆解与对比:


1. Context(上下文)

定义:指 Agent 在进行决策、生成回复或执行任务时,所依赖的所有相关信息集合。它是 LLM(大语言模型)理解当前状态、历史记忆和用户意图的“短期记忆”或“工作记忆”。

核心组成:

  • System Prompt(系统提示):Agent 的角色设定、指令、约束条件。
  • Conversation History(对话历史):用户与 Agent 之前的交互记录。
  • Memory(记忆):
    • 短期记忆:当前会话中的关键信息。
    • 长期记忆:从过往交互中提取的事实、偏好、知识库(通常存储在向量数据库中)。
  • External Data(外部数据):实时检索到的文档、网页内容、数据库查询结果等。
  • Tool Outputs(工具输出):Agent 调用插件/API后返回的结果。

特点:

  • 动态性:随着对话进行不断更新。
  • 有限性受限于 LLM 的 Context Window(上下文窗口大小,如 32k, 128k tokens)。
  • 噪声敏感:无关信息过多会导致模型“迷失”(Lost in the Middle)。

2. Context Engine(上下文引擎)

定义:是一套软件系统或模块,负责管理、优化、检索和管理生命周期整个 Context 的生命周期。它的目标是确保在有限的 Token 预算内,向 LLM 提供最相关、最准确、最结构化的信息。

核心功能:

  • Context Construction(上下文构建):
    • 将原始数据(日志、文件、对话)转化为 LLM 可理解的格式。
    • 组装 System Prompt + Memory + Tool Results。
  • Relevance Filtering & Ranking(相关性过滤与排序):
    • 使用 RAG(检索增强生成)技术,从海量记忆中检索最相关的片段。
    • 对检索结果进行打分,只保留高置信度的内容。
  • Compression & Summarization(压缩与摘要):
    • 当对话过长时,自动总结早期对话,丢弃冗余细节。
    • 使用“滑动窗口”或“重要性衰减”策略管理历史长度。
  • State Management(状态管理):
    • 维护多轮对话的状态机,确保上下文的一致性。
  • Optimization for Cost/Latency(成本与延迟优化):
    • 最小化发送给 LLM 的 Token 数量,以降低 API 成本和响应时间。

常见实现形式:

  • LangChain / LlamaIndex:提供 Chain 和 Retriever 组件来构建 Context。
  • Vector Database (Pinecone, Milvus):作为 Context Engine 的记忆存储后端。
  • Custom Middleware:开发者自研的中间件,用于预处理输入、后处理输出。

3. 两者的关系类比

维度 Context (上下文) Context Engine (上下文引擎)
本质 数据层 (Data Layer) 基础设施层 (Infrastructure Layer)
比喻 学生脑子里的“知识笔记” 图书馆管理员 + 笔记整理系统
作用 告诉 LLM “现在发生了什么” 决定“哪些知识应该被拿出来给 LLM 看”
关注点 内容的准确性、完整性 效率、相关性、成本控制、可扩展性
问题示例 “这段历史太长了,LLM 记不住。” “如何高效地从 10GB 日志中找到最近 5 条相关记录?”

4. 为什么需要 Context Engine?

如果没有 Context Engine,直接将所有历史记录和外部数据塞进 LLM,会面临以下问题:

  1. Token 爆炸:LLM 的上下文窗口有限,无法容纳无限长的历史。
  2. 噪声干扰:无关的历史对话会稀释关键信息,导致幻觉或错误决策。
  3. 成本高企:每次请求都发送全部历史,API 费用极高。
  4. 性能低下:长上下文导致推理速度变慢。

Context Engine 的价值在于:

在正确的时间,以正确的格式,提供最必要的信息。


5. 实际架构中的位置

graph TD User[用户输入] --> ContextEngine[Context Engine] subgraph Context_Engine_System [Context Engine] Direction[方向: 检索/过滤/压缩] MemoryDB[(向量数据库/记忆存储)] Router[路由/调度器] end ContextEngine -->|提取关键上下文| LLM[LLM 核心模型] ContextEngine -->|加载系统提示| LLM ContextEngine -->|注入工具结果| LLM LLM -->|生成回复| Response[最终回复] subgraph External_Sources [外部数据源] WebSearch[网络搜索] Docs[内部文档] Tools[API/工具] end External_Sources --> ContextEngine

总结

  • Context 是你喂给 LLM 的“燃料”。
  • Context Engine 是确保你只喂“优质燃料”、并且不浪费“油箱空间”的“燃油管理系统”。

在现代 Agent 开发中,Context Engine 的重要性往往超过 LLM 本身的选择,因为一个优秀的上下文管理策略可以让中等规模的模型表现出接近顶级模型的能力。

posted on 2026-10-16 13:42  jwang106  阅读(12)  评论(0)    收藏  举报

刷新页面返回顶部
 
博客园  ©  2004-2026
浙公网安备 33010602011771号 浙ICP备2021040463号-3