Context-Engineering
jasontang-ai/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。
"Context engineering is the delicate art and science of filling the context window with just the right information for the next step." — Andrej Karpathy
2025年夏天，Andrej Karpathy 在 YC AI Startup School 的一次演讲中抛出了一个让整个 AI 社区重新思考的问题：下一个软件工程的核心技能，不是写提示词（Prompt），而是上下文工程（Context Engineering）。
这句话像一颗石子投入平静的湖面。而在这之前，一位名叫 Jason Tang 的开发者已经在他的 GitHub 仓库 Context Engineering 中，花了数月时间，把这个模糊的洞见编织成了一套完整的手册——涵盖从原子级提示词到神经场级上下文调优的 8 大模块。
仓库上线不到一年，收获了 9,251 颗星，远超同期大多数 AI 类项目。它的增长速度甚至让作者自己都有些意外："我以为这只是写给自己的笔记，没想到社区的反应这么强烈。"
理解这个项目为何诞生，先要理解它的核心论点。
**提示词工程（Prompt Engineering）**关注的是"模型接收的那一句话"——如何措辞、如何用 Few-shot 示例、如何引导 Chain of Thought。但 Karpathy 指出了一个更根本的问题：LLM 不只是处理一句话，它处理的是整个上下文窗口（Context Window）。
上下文窗口里有什么？
上下文工程的核心问题不是"这句话怎么说"，而是"模型此刻看到了什么"。 2025 年 IBM Zurich 的研究印证了这一点：给 GPT-4.1 配备"认知工具"后，其在 AIME2024 数学基准上的 pass@1 成绩从 26.7% 跃升至 43.3%——几乎追平 o1-preview，而提升的关键正是更好地组织上下文结构。
Context Engineering 正是对这一趋势的系统性回应。
作者用了一个精妙的类比来组织整个学习路径：从原子到神经场。
从最基础的提示词"原子"开始——单个指令如何被模型理解。然后进入"分子"阶段：用 Few-shot 示例构建提示词组合，让模型理解任务模式。
如何给 AI 装上"记忆"？这里涉及对话历史的管理、记忆注入策略，以及如何让模型在长对话中保持状态一致性。
超越单次问答，构建多步骤的 AI 工作流。分支决策、循环处理、错误恢复——这是 AI Agent 的基本功。
这是项目最深入的部分：
这是项目最前沿的内容，灵感来自 3Blue1Brown 的可视化风格：将上下文视为连续场（Continuous Fields），而不仅仅是离散 token 序列。这一框架借鉴了物理学中"场"的概念，试图用"共振（Resonance）""吸引子（Attractor）""衰减（Decay）"等隐喻来描述信息在上下文中的传播方式。
这不只是理论——作者在 cognitive-tools/ 目录下提供了完整的实现代码，包括认知架构（Cognitive Architectures）、认知程序（Cognitive Programs）和认知模式（Cognitive Templates）。
表面看，这是一个充满 Markdown 文件的仓库。但它的组织方式本身就是一个"上下文工程"的示范：
00_foundations/ 理论基础（原子→分子→细胞→器官→神经场）
10_guides_zero_to_hero/ 交互式 Jupyter Notebook 指南
20_templates/ 可直接复用的模板代码
30_examples/ 完整可运行的 mini-app
40_reference/ 深度参考和评估方法
60_protocols/ 协议骨架和 JSON Schema
70_agents/ 基于协议的自包含 Agent 演示
80_field_integration/ 神经场协议端到端项目
cognitive-tools/ 认知工具框架完整实现
context-schemas/ 7 个版本的上下文 Schema 演进
值得注意的是 context-schemas/ 目录下的 JSON Schema——从 v1.0 到 v7.0，记录了作者对"好的上下文结构"理解的不断迭代。这是一个活的知识库，而不是一个一次性写完就封档的文档。
Context Engineering 不只存在于 GitHub 上：
最有趣的是 CLAUDE.md —— 这是为 Claude Code 设计的 Agent 命令包。当你在本地 clone 该仓库后，Claude Code 会自动读取 CLAUDE.md，获得关于如何与这个知识库互动的上下文指导。这是"上下文工程"思想的一个具体实践。
1. 概念新颖但缺乏硬基准
神经场理论（Neural Fields）是一个令人兴奋的隐喻框架，但目前缺乏大规模的实证对比研究。"上下文共振""吸引子衰减"这些概念更多是启发式的，而非经过严格 A/B 测试的优化策略。
2. 文档仓库 ≠ 可部署系统
这个项目本质上是教育/参考手册，不是可直接集成的 SDK。如果你想在生产环境中使用其中的思想，需要自己实现接口适配。
3. 过度类比的危险
从生物学到物理学的跨学科类比（原子→细胞→器官→神经场）很生动，但可能掩盖了 LLM 上下文机制的真实限制。模型并不真正"理解"这些隐喻，类比终究只是类比。
Context Engineering 的走红折射出一个更广泛的趋势：随着模型基础能力的提升，差异化的竞争正在从"模型选择"转向"上下文设计"。
2025 年的 AI 格局已经明朗：GPT-4.1、Claude 3.5、Gemini 2.0 等顶级模型的能力差距正在缩小。在这样的背景下，谁能更聪明地组织上下文、谁能更高效地注入知识、谁能更好地协调多个 Agent 之间的信息流，将成为应用层的核心竞争力。
Context Engineering 正是这个方向的系统性探索之一。它不是唯一的答案，但它是目前最完整的答案之一。
对于 AI 爱好者：
从 README 开始，花 5 分钟理解核心概念。然后从 00_foundations/01_atoms_prompting.md 入手，用 30 分钟完成第一个模块的阅读。
对于 AI 开发者：
直接 clone 仓库，运行 10_guides_zero_to_hero/01_min_prompt.ipynb，边跑边改。20_templates/ 下的代码片段可以直接嵌入你的项目。cognitive-tools/ 提供了可直接参考的认知增强框架。
项目链接：