从 RAG 到 Context Engineering:不是技术升级,而是工程认知的升级
最近很多人把 RAG、Agentic RAG 和 Context Engineering 排成一条「技术升级路线」:传统 RAG 过时了,Agentic RAG 是下一代,Context Engineering 则是更高级的新概念。
这种理解看起来顺理成章,但从 AI 应用工程的实际视角看,问题并不在于哪个概念更新,而在于我们对「大模型如何使用外部信息」这件事的理解,正在发生根本变化。
传统 RAG 解决了什么,又留下了什么问题
最早的 RAG 逻辑非常直接:用户提问 → 从知识库检索相关资料 → 把结果塞进 Prompt → 让 LLM 基于这些内容生成答案。
它解决了一个关键问题——让模型能够利用训练数据之外的知识,而不必每次知识更新都重新训练模型。这在当时是巨大的进步。
但基础 RAG 也暴露出明显的工程局限:检索流程往往是提前写死的。不管问题简单还是复杂,都走同一套管道;不管第一次检索是否找全证据,都直接进入生成;哪怕问题更适合通过 SQL 或业务 API 查询,也可能被强行扔进向量数据库做相似度搜索。
这种「固定管道」在简单场景下够用,一旦任务变复杂,就会显得力不从心。
Agentic RAG:把检索变成可决策的工具
Agentic RAG 的价值,在于把检索从程序里的固定步骤,变成 Agent 可以动态调用的工具。
模型开始能够根据任务判断:需不需要检索、应该访问哪个知识源、当前证据是否足够、是否需要拆解问题进行多轮搜索。
比如企业用户问「某款产品过去三个月的销售变化及原因」。产品资料可能在知识库,销售数据在 PostgreSQL,营销活动记录在另一套系统,外部竞争动态又需要通过 Web Search 获取。这种问题显然不是简单检索几个相似 Chunk 就能可靠解决的。Agent 需要先理解任务,再选择不同工具获取证据,必要时继续追问和补充检索,最后才能组织答案。
Agentic RAG 确实解决了「动态性」和「多源协同」的问题,但它依然只覆盖了信息获取的一部分。
Context Engineering 真正要解决的问题
当一个 Agent 真正开始执行复杂、长时间运行的任务时,它需要的上下文已经远不止外部检索到的知识。
它还需要知道:
- 当前任务目标是什么
- 系统有哪些约束
- 历史决策和执行进度
- 可调用的工具及状态
- 哪些信息必须保留,哪些历史内容可以丢弃
这才是 Context Engineering 真正值得研究的地方。
很多人以为,给 Agent 接上 MCP、Vector DB 和 Memory,再写一个足够长的 System Prompt,就完成了上下文工程。实际上,这些只是提供信息和能力的基础组件。
- MCP 能让 Agent 访问外部工具,不代表模型一定能选对工具。
- Memory 能保存历史信息,不代表这些信息应该全部进入当前上下文。
- RAG 能检索到相关文档,不代表检索结果真实、及时,或者一定适合当前任务。
真正的上下文工程,是在每一次模型推理之前,解决以下问题:
- 信息该从哪里来
- 哪些内容真正相关
- 如何组织这些内容
- 怎样控制 Token 预算
- 如何排除噪声、过期信息和不可信输入
尤其是长时间运行的 Agent,这个问题会被不断放大。一个开发 Agent 连续执行几十次工具调用,读取了大量代码、日志和测试结果,如果把所有历史原样塞回模型,上下文很快就会膨胀。模型可能忘记最初的目标,也可能被大量无关的中间结果干扰。
这时候真正需要的,是合理的 Context Compaction、Task State 管理和持久化 Memory——既要保留之前确认的架构决策、修改记录、未完成任务与关键错误信息,又要避免重复发送大量没有价值的工具输出。
再比如数字人视频生成 Agent,执行过程中需要调用多个外部 API。如果某一步超时,系统必须知道前面的任务到底有没有完成,哪些生成结果已经保存,哪些外部调用可能产生费用,是否允许重试。这些信息不是靠不断延长 Prompt 就能可靠维护的,而是需要明确的状态管理、持久化记录和上下文组织机制。
这也是为什么未来 Agent Harness 的重要能力之一,就是 Context Management。Harness 不只是帮模型调用工具、循环执行任务,还需要围绕任务目标,管理模型在不同执行阶段能够看到什么信息,以及如何在上下文变化、服务异常和任务恢复之后保持必要的一致性。
工程能力的本质:按复杂度选型
当然,这并不意味着所有应用都要全面 Agent 化。
如果一个固定的 FAQ 系统,通过基础 RAG 就能做到准确、低延迟、低成本,那完全没有必要为了技术概念更先进,再搭一套复杂的多 Agent 检索系统。同样,一个任务如果只需要读取几个文件,也没必要每次都启动多个子 Agent,把简单问题做成复杂的分布式工作流。
真正的工程能力,是能够根据问题复杂度选择合适的信息获取与组织方式:
- 简单问题走固定检索
- 复杂问题使用多步工具查询
- 长期任务引入状态管理和上下文压缩
- 需要多数据源协同时再设计更完整的 Context Engineering 机制
而且系统越复杂,越应该关注信息来源、权限边界、证据准确性、工具调用成本和可复现的评测,而不是仅仅追求模型看起来有多自主。
结语
RAG 没有死,也没有被 Context Engineering 淘汰。它只是从过去很多 AI 应用的核心架构,逐渐成为更完整 Agent 系统中一种可选择的信息获取能力。
AI 应用开发正在从单纯关注「Prompt 怎么写、模型怎么调用」,走向一个更复杂但也更重要的问题:模型在完成任务的每一个阶段,究竟应该知道什么?
真正成熟的 AI 工程师,不只是能够给模型接入更多知识库和工具,而是能够设计一套可靠的信息流,让模型在正确的时机获取正确的证据,保留必要的状态,排除无关信息,并在明确的业务约束下持续完成任务。
未来 Agent 的能力,不仅取决于模型本身有多聪明,还取决于整个系统能不能把正确的信息,在正确的时间,以正确的方式交给模型。
从 RAG 到 Agentic RAG,再到 Context Engineering,真正变化的不是技术名词,而是我们开始把大模型的上下文,当成一项需要认真设计、管理和验证的工程资源。



浙公网安备 33010602011771号