分类： AI学习

引言：记忆是Agent的”经验积累”

1.1 从无状态到有状态

想象一个场景：你每天去同一家咖啡店，但店员每次都像第一次见到你一样问”请问您想喝什么？”。你不得不每次都重新描述你的偏好：”我要一杯燕麦拿铁，少糖，温度60度。”这是多么令人沮丧的体验。

当前大多数LLM应用正是如此——无状态的。每次调用都是独立的，模型不记得上一次对话的内容，不了解用户的偏好，更无法从过去的经验中学习。

`

（更多…）

引言：工具是Agent的”双手”

如果说Brain层赋予了Agent思考的能力，Memory层赋予了它记忆，那么Tool层赋予的就是行动力。

一个没有工具的LLM，就像一个被封在玻璃箱里的天才——它能理解一切、规划一切，却无法触碰现实世界。它可以告诉你”你的服务器磁盘满了”，却无法帮你清理；它可以分析出”这段代码有个bug”，却无法帮你修复；它可以规划出完美的部署方案，却无法帮你执行哪怕一条命令。

Tool层是Agent与物理世界和数字世界交互的唯一通道。

（更多…）

系列导航

– 第一篇：什么是Harness Engineering

– 第二篇：六层架构详解

– 第三篇：Prompt层设计

– 第四篇：Context层设计 ← 你在这里

– 第五篇：Tool层设计

– 第六篇：Memory层设计

– 第七篇：Eval层设计

– 第八篇：Observability层设计

一、引言：上下文是Agent的”工作记忆”

想象你是一位外科医生，正在做一台复杂的手术。你不可能把所有的医学教科书都背在脑子里，但你需要在手术过程中随时调取相关知识——病人的病历、影像资料、手术方案、药物禁忌……这些即时可及的知识，就是你的”工作记忆”。

对于AI Agent来说，Context（上下文）就是它的工作记忆。

一个没有良好Context管理的Agent，就像一个失忆的外科医生——每次对话都要从头开始，对用户的历史一无所知，对专业知识只能靠”猜”。而一个Context层设计精良的Agent，则像一位准备充分的专家：它知道你是谁，了解你的历史需求，掌握相关领域的专业知识，并且能够精准地在需要的时候把正确的信息放到正确的位置。

（更多…）

引言：Prompt是Agent的大脑指令

在上一篇中，我们了解了Harness的六层架构：

`

┌─────────────────────────────────────┐

（更多…）

深入理解Harness的六层架构 · 每层的职责与设计原则

引言：为什么是六层？

在上一篇中，我们介绍了Harness Engineering的核心公式：

`

Agent = Model + Harness

（更多…）

引言：为什么需要Harness Engineering？

2026年初，AI工程圈发生了一件大事：

OpenAI宣布用AI写了100万行代码，0%人工编码，0%人工审查。

这不是科幻，这是真实发生的事情。但问题是：

（更多…）

一句话总结

Context Engineering = System Prompt + RAG + Tool + Memory + Metadata，五层叠加，缺一不可。

今天我们从零搭建一个完整的上下文工程系统，把前5篇学到的知识全部整合起来。

我们要构建什么？

一个智能写作助手，它能：

（更多…）

![配图待生成]

一句话总结

工具描述 = AI的”使用说明书”，写得好不好，直接决定AI能不能正确使用工具。

工具是AI的”手”，但AI需要先”看懂说明书”才能动手。

（更多…）

![配图待生成]

一句话总结

记忆 = AI的”大脑”，让它能记住你的偏好、学习历史经验、避免重复犯错。

没有记忆的AI，每次对话都像第一次见面。有了记忆，AI才能成为真正的”助手”。

（更多…）

![配图待生成]

一句话总结

RAG = 先检索，再生成。让AI基于真实文档回答，而不是凭空想象。

RAG是Context Engineering的核心技术，解决了AI的三大痛点：知识过时、私有数据、幻觉编造。

（更多…）