浙江建设工程造价信息网站网页设计与制作岗位职责

浙江建设工程造价信息网站,网页设计与制作岗位职责,wordpress后台很卡,上海百度做网站为什么最近大家都在聊Context Engineering#xff1f; 这个词似乎突然爆火#xff0c;但这个概念并不是新的概念#xff0c;而是从大语言模型诞生并进入应用层之后一直存在。只不过随着AI能力的发展和实际应用需求的提升#xff0c;它终于被重新放上了聚光灯下#xff0c;…为什么最近大家都在聊Context Engineering这个词似乎突然爆火但这个概念并不是新的概念而是从大语言模型诞生并进入应用层之后一直存在。只不过随着AI能力的发展和实际应用需求的提升它终于被重新放上了聚光灯下Andrej Karpathy[1]6月25日的推文助推下更多人关注了本文将带你从提示词工程一路走到上下文工程梳理清楚它们的关系并了解为什么上下文工程这么重要TL;DR对于不想看全文的可以直接看摘要本质来说上下文工程Context Engineering和提示词工程Prompt Engineering是一个东西前者是一个更加fancy的叫法也从狭义的提示词扩大到上下文的维度涵盖更加广的上下文工程实践用Agent的例子来说明就是Agent每次执行的时候都需要有合适的上下文太多太少不够准确的都不行这些上下文可以是预设的比如预先写好的系统提示词也可以是运行时获取的通过工具调用外部获取配合一些诸如RAG、Memory、读写、Compact/Compression等手段可以更好的管理上下文因此上下文工程就是如何将合适的信息填充到有限的上下文里的艺术和科学Prompt vs Context在与大语言模型LLM打交道的过程中我们其实一直在围绕两类输入工程打转提示词工程Prompt Engineering和上下文工程Context Engineering前者更像是在告诉模型它是谁而后者是喂给模型它需要知道的相关信息其实非常好理解在基于LLM的应用运行期间需要一些预设背景信息且拥有合适的上下文信息尤其是现在以Agent为主的应用多轮次交互中每一轮次都需要不同的、合适的且准确的上下文信息才可以最大化Agent的效果提示词工程Prompt Engineering最早底层模型能力还没有被大幅提升的时候大家都在利用提示词挖掘底层模型的能力我还记得当时Sam Altman还说过写提示词这个东西有些人很有天份一下就知道怎么写早期大家都是管理一堆的提示词用于不同的使用场景这也衍生出了一些诸如GPTsCharacter.AI、星野等这一些“Cosplay”的AI应用这类应用本质上就是允许用户去编写提示词来驱动模型以某种形式去回复用户的问题通过提示词控制也是相对符合直觉的一个行为提示词工程里还有一些更加高阶一点的手段比如•少样本提示Few-shot Prompt给出几个类似的示例引导模型模仿•零样本提示Zero-shot Prompt不给任何示例让模型自主决定输出•思维链提示Chain-of-Thought Prompt引导模型一步步说出来的自我思考过程重点是提示格式而不是答案示例少样本提示Few-shot Prompt:文本我太喜欢这部电影了 情感正面 文本这道菜太难吃了。 情感负面 文本还行吧我觉得。 情感零样本提示Zero-shot Prompt:文本还行吧我觉得。 情感思维链提示Chain-of-Thought Prompt文本还行吧我觉得。 情感分析我们来分析一下这句话。还行吧 表示中等、不好不坏我觉得 表示语气不确定或者没有强烈的情绪。整体来看这句话情绪不强烈偏向中性。 情感中性因此本质上提示词工程就是在告诉模型开始处理任务之前的一些预设可以很有效的帮助模型做一个锚定在此之后就让模型在这个范围内和方向上自我发挥在这个阶段模型没有任何外部知识也没有记忆等全部依赖于提示词本身上下文工程 Context Engineering上下文窗口一直是模型能力的重要衡量指标之一原因就是上下文对于模型应用效果非常关键前面提到最早通过较为直觉的方式来写提示词随着底层模型的发展和模型应用的普及对于效果的追求也越来越高从最早的泛娱乐式消费到生产力提升的需求上下文是相对于模型微调来说更加低成本且可操作性更高的方式来提升整体的效果在上下文工程领域延伸出很多手段•RAGRetrieval-Augmented Generation检索增强生成通过语义化响亮搜索从知识库中检索与用户问题最相关的文档片段并拼接到上下文提升回答准确性•Memory记忆引入长短期记忆帮助模型回顾过往记录•Tool Calling/MCP工具调用通过结构化提示词告诉模型如何调用预定工具如数据库查询、API调用等来获取外部信息是一种与世界连接的输入增强方式我们是可以参考Context Engineering for Agents里所做的分类主要针对Agent语境下的分类•写上下文Write Context上下文窗口限制需要把过往的上下文存到外部必要时召回•选择上下文Select Context从已经保存的数据中选择合适的部分注入到上下文窗口中帮助LLMs更好完成任务•压缩上下文Compressing Context上下文超出的情况下对上下文进行合理的压缩保留必要的最小内容•隔离上下文Isolating Context拆分并分配不同的上下文给不同的子智能体或子任务提高效率和清晰度目前大家都在上下文工程领域持续深耕。简单说就是底层模型的性能提升是取决于几家头部模型厂商的在有限的情况之下应用层都是在拼上下文处理能力以及和用户交互的UI/UX因此我们其实可以留意到目前AI应用都是围绕这两点展开的如何帮助模型更好的获取上下文去完成用户的需求如何用更好的交互方式让用户与模型交互。反观UI/UX已经是一个体系化的学科之后对于一个AI应用能否足够好用就取决于上下文工程的能力。这样想我们就能知道为什么上下文工程如此重要且受关注面这么广我们可以看到早期的RAG就是一种相对固定的外部信息获取一般我们在RAG里做召回会用topk也就是最匹配的k份材料chunk给到模型本质上就是因为上下文是有限的如何获取最合适的材料就是RAG里需要不断去摸索的方向。记忆模块也是一部分现在也有很多人在这块投入研究我觉得是一个非常值得投入研究的领域记忆可分为长时记忆和短期记忆通过ChatGPT这个APP我们也可以看得到一些实践现在它可以召回以前的对话本质上也是向量搜索这类方式这样就是通过对话来实现记忆recall的一个过程同时它也会在日常对话中去记录一些关键点到记忆条目里这样就能建立一个长期记忆最早记忆是会满的我觉得没理由让用户去手动删除和管理记忆现在就没有这个问题了。前段时间疯狂流行的MCP也就是和以前的Function Tool或者Tool Calling一样就是让模型能调用一些预设的工具去获取对应的信息来做决策也是上下文工程的一种这个方向是对于现有服务和基础设施甚至是物理世界交互的一个标准接口所以意义深远总体而言上下文工程涵盖的就是很简单的东西给到模型的上下文内容但是期间涉及的手段有很多值得研究和发展的领域和方向。这个也为未来AGI方向提供了一个必要的基础界限并没有那么清晰通常系统提示词不太会变这个是有别于上下文的否则严格意义上来说提示词也是上下文的一部分所有模型能看到的内容都统称为上下文。因此实际上现在讨论Context Engineering并不是一个全新的概念呢而是自大语言模型诞生之初就一直存在的只不过现在规范化、专业化和学科化现在越来越多人认识到随着底层模型能力的提升prompt的需求程度在降低现在演变出一个更加fancy的叫法就是上下文工程Context Engineering从更加广义的角度来定义上下文工程自此进入人们的视野也使得越来越多人关注因此可以认为这两个工程都是在同样的目的目标很明确就是通过合理的处理组装上下文让模型效果最大化举例来说我们来看看Claude Code的系统提示词System Prompt:从Claude Code的System Prompt中可以看出我们可以看到它融合了角色设定、少样本提示、工具调用等手段同时通过 Tool 使用能力动态扩展上下文比如支持查看文件、编辑代码、提交 Git、拉取图片等。这种设计结合了提示词工程与上下文工程是一种典型的 Prompt Context 混合型应用本质上构建出了一个具备自主决策能力的 Agent新学科的出现这边有一段在Context Engineering for Agents[2]这篇文章中的一段话我觉得描述得很好As Andrej Karpathy puts it, LLMs are like a new kind of operating system[3]. The LLM is like the CPU and its context window[4] is like the RAM, serving as the model’s working memory. Just like RAM, the LLM context window has limited capacity[5] to handle various sources of context.And just as an operating system curates what fits into a CPU’s RAM, “context engineering” plays a similar role. Karpathy summarizes this well:[Context engineering is the] ”…delicate art and science of filling the context window with just the right information for the next step.”把LLMs类比成新的操作系统OS而上下文窗口Context Window则是LLMs的内存内存是有限的因此需要用一些辅助手段在磁盘、网络间去置换合适的数据到内存里上下文窗口也是同理在运行时需要合适的数据加载到上下文窗口内才可以让LLMs发挥最大效果随着LLM的流行和应用未来的会涌现更多不同的学科 我觉得上下文工程就是其中一个方向是一个为LLM设计和管理输入上下文的一门新兴技术学科可以预见在未来的一段时间内随着AI工程化的复杂程度提升LLM与外界交互变多的情况下上下文工程是一个极其重要的研究方向可以进一步决定LLM能发挥出多大的潜力和能力从应用到具身智能都离不开模型对于外界信息的获取和感知外界信息是无穷多的如何在有限的上下文内把最有价值的信息提供给模型决定了这个学科研究的方向在未来Context Engineer也许会成为AI团队中的关键角色之一就像数据工程师之于机器学习团队那样重要如果说Prompt是语言的编程那么Context Engineering就是系统级调度与资源管理决定了模型能否发挥巨大的潜力上下文工程是AI工程化时代的关键基建随着大语言模型底层能力的不断突破我们对如何更好地用好模型的关注也正从提示词的微调逐渐转向对上下文的理解、管理与动态构建Prompt Engineering是起点Context Engineering则是让它走得更远的路。我们可以预设提示词来激发模型潜力但能否持续发挥作用最终还要看上下文工程能否构建出精准、动态、可扩展的输入在未来无论是智能体Agent的构建复杂任务的编排还是具身智能Embodied AI的落地Context Engineering都会是连接模型与现实世界的桥梁。它不仅是工程问题更是产品问题、交互问题、认知问题也许未来我们会看到一个新角色的诞生上下文设计师Context Architect就像数据工程师之于机器学习它将成为AI团队中不可或缺的一环。这场革命已经从写好一句提示词进入到了设计一个完整的上下文生态也就是大行其道的Agent在做的事情和方向​最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】​​为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。​​资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌​​​​如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】**​