Awesome-Context-Engineering
Meirtz/Awesome-Context-Engineering加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
你有没有过这样的经历——精心写了几百字的 Prompt，模型依然答非所问？给朋友推荐一部电影，说了半天"就是那个很有感觉的"，对方还是一脸茫然。人类传递意图的鸿沟，在 AI 时代不仅没有消失，反而被放大了。
2025 年上半年，大多数 AI 应用开发者都在做同一件事：反复修改 Prompt，调整指令措辞，期待模型能"理解"得更准确。但随着 GPT-4、Claude 3 等大模型能力越来越强，简单的 Prompt 优化逐渐触及天花板——问题的根源已不在 Prompt 本身，而在于上下文（Context）的质量。
这正是 Context Engineering（上下文工程）诞生的背景——它不是某个具体工具，而是一套关于"如何给大模型喂信息"的系统性方法论。Awesome-Context-Engineering 正是这一领域的权威知识库，汇聚了数百篇论文、框架和使用指南，截至 2026 年中已积累超过 3200 颗 GitHub Stars，其配套学术论文被引用超过 1400 次。
Awesome-Context-Engineering 由中科院研究生 Lingrui Mei 于 2025 年 7 月发起，配套论文《A Survey of Context Engineering for Large Language Models》同步发表于 arXiv（arXiv:2507.13334）。
作者在论文摘要中开宗明义地指出：Context Engineering 超越了简单的 Prompt 设计，是一套系统化优化大模型信息载荷（Information Payload）的学科。传统 Prompt Engineering 关注的是"如何措辞"，而 Context Engineering 关注的是"模型在推理时实际接收到了什么信息"——这包括了从外部知识检索、内存系统、工具调用，到多智能体通信的所有信息输入。
有意思的是，2026 年 3 月，作者在项目中添加了 "2026 Agent Era Update" 章节，承认"context engineering 不再是故事的全部"。行业的重心已从"如何装载最优 Prompt"转移到"Agent 系统如何管理运行时状态、内存、工具、协议和长程执行"。这恰恰说明了这个领域的演进速度有多快。
项目给出了精确定义：Context Engineering = 推理时提供给 LLM 的完整信息载荷，包括：
项目引用了一个形象的比喻："电影制作"。Prompt 就像给演员一张台词卡，而 Context Engineering 则是搭建完整的片场——包括剧本、道具、灯光、其他演员的走位。把 AI 模型的输出质量完全押注在 Prompt 措辞上，就像指望一个没有剧本、没有场景的演员能演好一出戏。
项目在理论层面给出了数学框架。设 LLM 的生成为条件概率：
$$P(y|x, c) = \text{LLM}(x, c)$$
其中 $y$ 为输出，$x$ 为用户输入，$c$ 为上下文。Context Engineering 的目标是通过优化 $c$ 使 $P(y|x, c)$ 在目标分布上的期望最大化。项目进一步引入了贝叶斯上下文推理框架，将上下文视为隐变量，通过后验推断动态构建最优上下文：
$$P(c|x, y_{\text{target}}) \propto P(y_{\text{target}}|x, c) \cdot P(c|x)$$
这种形式化将"调 Prompt"从玄学变成了一门有理论支撑的工程学科。
项目 README 长达 30,000+ 字，覆盖了 Context Engineering 领域几乎所有重要方向。以下是核心板块：
| 组件 | 核心问题 | 代表技术/论文 |
|---|---|---|
| Context Retrieval & Generation | 如何找到正确的知识 | RAG、Self-RAG、CRAG |
| Context Processing | 如何压缩、排序、结构化信息 | Long Context Modeling、Self-Refinement |
| Context Management | 如何在长程任务中管理上下文 | Memory Hierarchy、Context Compression |
这是项目最核心的部分，详细梳理了 Context Engineering 的落地形态：
RAG 系统：从基础检索增强，到模块化 RAG（Modular RAG）、Agentic RAG（智能体驱动的 RAG），再到 GraphRAG（图增强检索）。项目收录了 LlamaIndex、LangChain、RAGFlow 等主流框架的演进路径。
Memory 系统：短期记忆（对话窗口）、长期记忆（向量数据库）、情景记忆（Episodic Memory）、语义记忆（Semantic Memory）。项目引用了多篇关于 Agent 记忆机制的论文，涵盖 MemGPT、RecMind 等工作。
Tool-Augmented 系统：Function Calling、ToolUse 框架、MCP（Model Context Protocol）。项目特别关注了 2025-2026 年 MCP 协议生态的爆发，这是 Context Engineering 在"工具接入"方向的最大突破。
Multi-Agent 系统：智能体间通信协议（A2A、AG-UI）、协作规划、任务分解与汇总。
这是 2026 年版本的核心增量。作者明确指出 Context Engineering 已扩展为更大的 Agent Engineering 领域，包括：
与大多数只列举工具链接的 Awesome 列表不同，Awesome-Context-Engineering 配套有正式的学术论文（arXiv），有严格的理论框架（贝叶斯推断框架），有与其他 Survey 的引用关系梳理。同时，它又不是纯理论——每个方向都配有实际工具、框架和代码实现指南。这种"学术 + 工程"双轨并行的结构，使它同时服务于研究者和开发者两类受众。
项目的另一个显著特点是跟进速度极快。2025 年 7 月刚发布时是 Context Engineering 的概念梳理，2026 年 3 月就迅速加入了 Agent Engineering 章节，纳入了 MCP、A2A 等新兴协议和 Coding Agent 等新方向。这种敏捷迭代反映了作者对领域的深度参与——作者本人可能就是这些前沿研究的参与者。
项目维护了 Discord 服务器和微信群，有完整的贡献指南（Contributing）和论文格式规范（Paper Formatting Guidelines），鼓励社区成员持续贡献资源。这种开放共建的机制保证了知识库的持续更新。
Awesome-Context-Engineering 对普通 AI 爱好者来说是最友好的学习起点。你不需要安装任何东西，不需要懂代码，直接打开 GitHub 仓库的 README.md，按目录结构逐章节阅读即可。建议从 Introduction 和 Why Context Engineering 入手，理解基本概念后，再深入自己感兴趣的具体方向（RAG、Memory、Tool Use 等）。
对于 AI 应用开发者，这个项目更像是一张技术雷达图。当你需要在一个新方向落地时（比如"我们的产品需要加 Memory 机制"），项目中的相关工作梳理能帮你快速找到业界已有的方案和论文，避免重复造轮子。Table of Contents 就是最好的导航——按需跳转即可。
没有任何一个 Awesome 列表是完美的，这个项目也不例外：
信息过载风险：1411 引用、数百个工具和框架，对新手来说可能无从下手。作者虽然有 Introduction 和分类结构，但缺少"学习路径"——先读什么再读什么，最佳实践路径不清晰。
静态维护滞后：作为 GitHub README，项目本质上是"快照"，无法追踪每个引用的最新状态。一篇 2025 年的论文可能在 2026 年已经被推翻或大幅更新，但 README 中无法体现。
非代码实现：这是一个知识整理项目，不提供可直接运行的代码。真正落地 Context Engineering 还需要结合 LlamaIndex、LangChain、DSPy 等框架的实践。
Awesome-Context-Engineering 的快速增长（3200+ Stars、1411 引用）折射出一个行业共识：大模型能力的瓶颈，已经从模型本身转移到了上下文质量。模型越来越强，但"给模型喂什么信息"的问题没有解决——甚至随着 Agent 架构的兴起变得更加复杂。
2026 年的趋势显示，Context Engineering 正在演化为 Agent Engineering 的一部分。单一方向（如 RAG）的研究已趋于成熟，而真正的前沿是端到端的智能体系统：上下文管理、工具协调、多智能体通信、人机审批、可观测性——这些需要作为一个整体来设计。
项目作者在 2026 Agent Era Update 中的一句话点明了核心转变：
"Context Engineering 的中心已从'如何装载最优 Prompt'转移到'Agent 系统如何管理运行时状态、内存、工具、协议和长程执行'。"
Awesome-Context-Engineering 不仅仅是这个转变的记录者，它本身就是推动这个转变的知识基础设施。
项目作者：Lingrui Mei（中科院），配套论文：arXiv:2507.13334，Stars: 3,240（2026.07），MIT 许可证。