报告概述
本报告聚焦大模型上下文工程，从重新定义上下文出发，系统梳理其历史演进、核心组件（Prompt、Skills、MCP、A2A）、三层记忆系统（L1、L2、L3）以及六大方法论支柱（结构化、检索、压缩、编排、评估、安全），并全面介绍主流工具与框架。旨在帮助开发者从提示工程跃迁至上下文工程，构建高效智能的AI应用系统。
报告的核心结论
上下文工程正从被动输入转向主动经营
报告指出，上下文不再是静态的Token窗口，而是动态的系统状态网络。开发者需要像经营信息系统一样，主动从多源获取、管理并优化上下文，以引导模型产生期望行为。
RAG成为主流知识更新方式，与微调互补
报告认为，RAG通过解耦计算与存储，实现知识的实时更新和可追溯性，适用于对事实准确性要求高的场景；微调则更适合学习新技能或风格，两者互补而非替代。
智能体与协议化上下文是未来发展方向
报告显示，随着MCP和A2A等协议出现，智能体能够通过标准化接口接入外部世界并实现相互协作，上下文正演变为分布式、协议化的系统状态网络。
评估驱动开发是提升系统质量的关键
报告强调，缺乏量化评估的优化如同盲调。通过RAG三元组（上下文相关性、答案忠实度、答案相关性）建立自动化评估体系，可实现数据驱动的持续改进。
安全是上下文工程的底线
报告警示，上下文本身成为新的攻击面，提示注入和数据泄露是核心威胁。必须采用输入验证、权限最小化、人工确认等多层防护措施保障系统安全。
报告回答的关键问题
什么是上下文工程？
上下文工程是设计、构建和维护一个能为大语言模型提供恰当信息的系统性工程学科。它从重新定义上下文出发，涵盖结构化、检索、压缩、编排、评估和安全六大支柱，以及Prompt、Skills、MCP、A2A等核心组件。
RAG和微调在知识更新上如何选择？
报告指出，RAG适用于需要频繁更新知识、对事实准确性要求高的场景，通过外挂知识库实现实时低成本更新；微调更适合让模型学习特定行为模式或推理逻辑。两者互补，RAG负责知识，微调负责能力。
MCP和A2A协议有什么区别？
MCP（模型上下文协议）标准化智能体与外部工具/数据源之间的交互，是单智能体的上下文扩展坞；A2A（智能体间协议）标准化多个智能体之间的协作通信，是多智能体的协作总线。两者分别解决“智能体如何接入世界”和“智能体之间如何互联”的问题。
如何构建智能体的长期记忆系统？
报告提出三层记忆模型：L1瞬时工作记忆（Scratchpad）用于当前任务推理；L2情景记忆存储交互历史，通过摘要化实现长期连贯；L3语义记忆通过RAG和向量数据库提供外部知识。三者协同实现从短期思考到长期知识的完整认知。
上下文工程面临哪些安全风险？
主要风险包括提示注入（攻击者通过输入隐藏指令覆盖系统提示）和数据泄露（RAG系统中检索或生成时暴露敏感信息）。工具使用也需防范权限滥用。报告推荐基于OWASP指南的输入验证、人工确认、输出监控等纵深防御措施。
完整报告包含什么
- 完整梳理上下文技术从静态输入窗口到智能体协议的4次范式飞跃历史。
- 详细定义广义上下文的5个类别：文本、环境、用户、系统、组织上下文。
- 深入讲解Prompt高级技法（CoT、ReAct）及其根本局限，引出上下文工程必然性。
- 标准化Skill的定义、生命周期与最佳实践，以及从Function Calling到标准化协议的演进。
- MCP协议的核心架构、三大原语（Tools、Resources、Prompts）及完整Server/Client实现代码。
- A2A协议的核心概念与工作流实例，对比MCP定位，并提供基于官方文档的Python实现。
- 三层记忆系统（L1 Scratchpad、L2情景记忆、L3语义记忆）的原理、机制及LangChain/LlamaIndex代码示例。
- 上下文工程六大支柱：结构化、检索、压缩、编排、评估、安全，每章均有技术详解和最佳实践代码。
- 主流工具与框架生态全景，覆盖数据存储（Milvus等）、编排代理（LangChain、LlamaIndex、AutoGen等）、评估观测（RAGAS、Langfuse等）和部署服务层。
- 未来展望：从无限上下文到世界模型、多模态融合、Agent社会化与经济学，以及上下文工程师新技能图谱。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
