上下文工程：从提示词到自动化流程的 AI 应用新范式

一、背景与概述：从提示词工程到上下文工程的演进

随着大语言模型 (LLM) 技术的飞速发展，AI 应用开发正经历从 “提示词工程”(Prompt Engineering) 到 “上下文工程”(Context Engineering) 的重大范式转变(3)。这一转变不仅是术语的更新，更是 AI 应用开发理念和实践的全面升级，标志着 AI 从简单的指令响应工具向复杂的智能系统的进化(12)。

2025 年初，Shopify CEO Tobi Lutke 在社交媒体上首次提出 “上下文工程” 这一概念，认为它比 “提示词工程” 更准确地描述了现代 LLM 应用开发的核心挑战(3)。这一观点迅速得到前 OpenAI 研究员 Andrej Karpathy 的认同和转发，他指出：“在工业级 LLM 应用中，上下文工程才是关键所在 —— 一门既讲科学又讲直觉的技术活，要把上下文窗口精确地填入下一步所需的信息”(13)。

上下文工程被定义为 “构建动态系统，以正确的格式提供合适的信息和工具，从而使得 LLM 能够合理地完成任务”(12)。它不仅关注如何设计提示词，更关注如何管理和调度所有信息流，确保在对的时间，把对的信息，用对的格式，喂给大模型(3)。

这一转变反映了 AI 应用从单一的提示演变为更复杂、动态的智能系统的趋势(12)。随着 AI 应用场景从简单的文本生成扩展到自动化流程、智能代理等复杂场景，上下文工程已成为 AI 工程师可以发展的最重要技能(12)。

二、上下文工程的技术实现：构建动态信息供给系统

2.1 上下文工程的核心技术架构

上下文工程的技术实现围绕构建一个能够动态生成、管理和优化上下文信息的系统展开。这一系统通常包括以下几个关键组成部分：

1. 上下文表示与建模

上下文工程的基础是对各种信息源的表示和建模。现代系统通常采用多种技术来实现这一点：

• 抽象语法树 (AST) 编码：在代码相关场景中，采用 Tree-LSTM 模型对 AST 节点进行编码，将代码语法特征向量化，从而捕捉代码的结构语义(1)。

• 程序语义增强技术：通过路径敏感的静态分析，生成带类型约束的注释和文档，提高领域术语的准确性(1)。

• 多模态上下文融合：在 Transformer 架构中融合代码、文档、版本历史等多种模态特征，提供更全面的上下文信息(1)。

• 动态上下文窗口：根据不同的上下文类型 (函数内部、模块级、项目级) 设置不同的窗口大小，以适应不同粒度的语义理解需求(1)。

2. 上下文管理与调度

有效的上下文管理需要能够动态生成、更新和优化上下文信息：

• 共享上下文机制：所有参与任务的 AI 组件不仅要看到彼此的对话内容，还要看到完整的行动轨迹 (Trace)，确保决策的一致性(3)。

• 上下文压缩与持久化：当对话历史过长时，使用压缩算法将对话内容智能总结成摘要；同时，建立外部 “长期记忆” 存储重要信息，支持后续检索和利用(3)。

• 上下文隔离：通过划分信息区域，避免所有内容一股脑地塞给 AI，提高效率和可靠性。包括运行时状态隔离、多智能体隔离和环境隔离(3)。

3. 工具集成与调用

上下文工程的一个重要方面是为 LLM 提供合适的工具，扩展其能力边界：

• 工具定义与封装：将各种功能封装为可调用的工具，每个工具包含名称和描述，便于 LLM 评估其相关性(5)。

• 工具调用流程：设计清晰的工具调用流程，包括参数传递、结果处理和错误恢复机制(5)。

• 工具编排：在复杂任务中，需要对多个工具进行编排，形成完整的工作流(5)。

2.2 关键技术栈与框架

实现上下文工程需要一系列技术栈和框架的支持：

1. 大语言模型与基础架构

• 主流 LLM 模型：包括 GPT 系列、Claude、Llama 等，作为上下文工程的核心处理引擎(6)。

• 向量数据库：用于存储和检索上下文信息，支持高效的相似性搜索(7)。

• RAG (检索增强生成) 技术：通过检索外部知识库动态注入相关信息，增强模型的上下文理解能力(7)。

2. Agent 框架与执行环境

• LangGraph：一种基于图的执行框架，支持有状态、模块化且决策驱动的工作流程，特别适合企业级数字代理的构建(5)。

• Lingma Agent Framework：分为 Manager 层、Extension 层和 Core 层，支持多 Agent 编排及与外部交互的接口(4)。

• Pydantic 状态管理：使用 Pydantic 模型定义共享状态，存储 Agent 在执行期间收集或变换的数据(5)。

3. 上下文协议与标准

• MCP (模型上下文协议)：作为 AI 领域的 “万能接口”，通过标准化接口实现 AI 模型与工具、数据及智能体的无缝协同(27)。

• Agent 通信协议 (ACP)：标准化 Agent 之间的通信方式，支持跨框架智能体协作(6)。

2.3 长上下文处理技术

随着模型能力的提升，处理长上下文已成为上下文工程的关键挑战和技术前沿：

• KVCache 管理方案：研发高效的 KVCache 管理机制，支持 128K + 长文本输入(15)。

• 注意力机制优化：采用 RingAttention、FlashAttention-2 等技术，降低长文本处理的延迟(15)。

• 三级缓存系统：设计显存 - 内存 - 磁盘三级缓存系统，突破单卡上下文长度限制(15)。

• 新型架构与缩放技术：如 Menlo Research 发布的 Jan-nano-128k 模型，凭借 128k 令牌上下文窗口和 YaRN 缩放技术，在长上下文性能上取得突破(6)。

三、上下文工程在自动化流程中的应用场景

3.1 软件开发自动化

上下文工程在软件开发自动化领域展现出巨大潜力，正在重塑软件开发的范式：

1. 代码生成与文档自动化

• 全工程代码理解与生成：基于大模型的代码全工程理解能力，AI 编码工具已从行级、片段级生成跨越到面向工程的多文件生成(4)。

• 动态文档生成：结合项目上下文优化代码注释与文档生成，在金融系统项目中，该策略使领域术语准确率提升 38%(1)。

• 智能模板系统：支持 12 种编程范式模板动态切换，根据代码上下文自动选择最合适的模板(1)。

2. 软件开发全流程自动化

• 需求到代码的转化：通过自然语言描述需求，AI 可自主完成从需求理解、任务规划、代码生成到 DIFF 应用的全过程(4)。

• 跨语言编程支持：让开发者跨越编程语言的边界，拥有全栈能力，如 Java 开发者可以与 AI 协同进行前端开发或使用 Python、JavaScript 等多种语言(4)。

• 单元测试自动化：结合被测函数和文件，批量生成单元测试，并完成编译和运行，大幅提升测试效率(4)。

3. AI 程序员与智能开发助手

• AI 自主编程：通义灵码等系统正从辅助编码阶段 (代码生成占比 30%)、协同编程阶段 (代码生成占比 50%) 向自主编程的高级阶段演进，未来 AI 的代码生成占比将超过人类(4)。

• 错误排查与修复：在 IDE 中选择错误信息或提交报错截图，AI 可自动分析并给出解决方案和代码修改建议(4)。

• 集成开发环境深度融合：将 AI 能力深度集成到 IDE 中，提供上下文感知的代码补全、重构和优化建议(4)。

3.2 企业流程自动化

上下文工程在企业级流程自动化中具有广泛应用前景：

1. 企业软件自动化

• 大型行动模型 (LAM)：如 Orby 推出的企业级 AI 模型，专门为企业环境中的自动化任务设计，能够探索 Salesforce、SAP 等软件的自动化任务(2)。

• “痕迹” 数据收集：通过收集用户操作轨迹 (痕迹)，建立自动化工作流程。Orby 的 ActIO 已收集超过一百万条痕迹，每条痕迹包含 10 到 50 步操作(2)。

• 无 API 集成自动化：通过模拟人类操作应用程序，无需实际集成即可自动化企业系统，只要代理能够访问系统并有凭据(2)。

2. 智能办公助手

• 会议安排自动化：结合用户日历、沟通习惯和发邀请函工具等上下文信息，智能安排会议时间并发送邀请(18)。

• 邮件处理自动化：基于邮件内容、历史往来和用户偏好，自动分类、回复和标记邮件(18)。

• 文档处理自动化：智能解析和处理各类办公文档，提取关键信息，生成报告或执行相应操作(27)。

3. 客户服务自动化

• 智能客服系统：调取用户历史订单、浏览记录等上下文信息，提供个性化、精准的客户服务(18)。

• 多轮对话管理：维护完整的对话历史和上下文，确保多轮交互中的一致性和连贯性(3)。

• 跨渠道服务集成：整合电话、邮件、社交媒体等多个渠道的上下文信息，提供统一的客户服务体验(27)。

3.3 数据分析与决策支持

上下文工程在数据分析和决策支持领域也有重要应用：

1. 智能数据分析

• 动态查询生成：根据用户问题和已有数据，自动生成 SQL 查询或分析指令，获取所需信息(5)。

• 报告自动生成：结合业务上下文和数据洞察，自动生成结构化的分析报告，解释数据背后的含义(5)。

• 异常检测与预警：基于历史数据和业务规则，自动检测异常情况并触发预警(5)。

2. 决策支持系统

• 多源信息整合：整合来自不同系统和数据源的信息，为决策提供全面的上下文支持(5)。

• 情景分析与模拟：基于不同假设和情景，模拟可能的结果，支持更明智的决策(5)。

• 决策建议生成：根据业务目标、约束条件和历史数据，生成具体的决策建议(5)。

四、上下文工程的商业价值与效益

4.1 效率提升与成本节约

上下文工程在提升效率和降低成本方面具有显著价值：

1. 研发效率提升

• 软件开发效率提升：采用上下文工程的 AI 编码工具可将开发效率提升 30% 以上(7)。

• 维护成本降低：通过自动化代码生成和文档更新，减少技术债务，降低系统维护成本(7)。

• 知识传递加速：新团队成员可通过 AI 生成的文档和注释快速理解复杂系统，缩短学习曲线(1)。

2. 业务流程优化

• 企业流程自动化：Orby 等系统可自动化处理费用报告审计等繁琐流程，减少人工干预(2)。

• 操作错误减少：AI 执行重复性任务时的错误率低于人类，提高流程可靠性(2)。

• 响应时间缩短：智能客服等系统能够快速响应客户需求，缩短处理时间(7)。

3. 资源利用率提高

• 计算资源优化：通过上下文管理和模型优化，提高计算资源的利用效率(15)。

• 人力资源重新分配：将员工从重复性工作中解放出来，专注于更高价值的创造性工作(9)。

• 资产利用率提升：通过智能分析和预测，优化设备和资源的使用效率(9)。

4.2 产品与服务创新

上下文工程为产品和服务创新提供了新的可能性：

1. 新型 AI 产品

• 智能代理 (Agent) 产品：基于上下文工程的智能代理能够执行更复杂、更有价值的任务，如 AI 程序员、智能客服等(4)。

• 个性化体验：通过上下文感知，为用户提供更个性化的产品和服务体验(5)。

• 预测性服务：结合历史数据和实时信息，提供预测性服务，如设备维护预测、需求预测等(5)。

2. 业务模式创新

• 自动化即服务 (Aaas)：将自动化能力打包为服务，提供给企业客户(2)。

• 智能数据增值：通过上下文工程增强数据分析能力，为数据资产创造更高价值(27)。

• 人机协作新模式：重新定义人机协作方式，创造新的工作模式和业务流程(4)。

3. 行业特定解决方案

• 垂直领域深度应用：如医疗诊断辅助、法律文档分析、金融风险评估等专业领域的深度应用(31)。

• 智能行业平台：构建基于上下文工程的行业专属平台，提供端到端的解决方案(31)。

• 跨行业整合应用：整合不同行业的知识和数据，创造跨界创新应用(31)。

4.3 竞争优势与市场差异化

在当今 AI 驱动的商业环境中，上下文工程已成为企业竞争的关键差异化因素：

1. 产品差异化

• 体验差异化：通过更智能、更个性化的用户体验，与竞争对手形成明显差异(5)。

• 功能差异化：提供竞争对手难以复制的高级功能和服务(5)。

• 速度差异化：更快的响应速度和处理能力，提升用户满意度(5)。

2. 市场领先地位

• 技术领先优势：掌握上下文工程核心技术的企业将在 AI 应用领域占据领先地位(7)。

• 生态系统构建：通过构建上下文工程生态系统，吸引更多合作伙伴和用户(27)。

• 行业标准制定：在上下文工程领域的领先企业有机会参与或主导行业标准的制定(27)。

3. 客户忠诚度提升

• 粘性增强：提供更智能、更便捷的服务，增强用户粘性和忠诚度(5)。

• 价值感知：用户能够明显感知到 AI 提供的价值，提高付费意愿(5)。

• 品牌认知提升：通过创新的 AI 应用，提升品牌在用户心中的形象和认知(5)。

五、上下文工程的职业发展方向

5.1 新兴职业与岗位

随着上下文工程的兴起，一系列新兴职业和岗位正在涌现：

1. 上下文工程师 / 架构师

• 职责：设计和构建上下文管理系统，确保 AI 获得准确、相关的信息和工具。

• 技能要求：精通大模型原理、数据管道设计、上下文管理技术和系统架构设计(18)。

• 职业前景：上下文架构师将成为 AI 时代的关键角色，引领人机协作的未来。

2. AI 智能体开发工程师

• 职责：负责智能体 (Agent) 应用的架构设计与核心功能开发，支持任务调度、知识库交互和模型集成等(21)。

• 技能要求：熟悉智能体应用开发全流程，具备大型知识库构建经验，熟练使用主流 AI 平台和 Agent 框架(21)。

• 就业机会：AI 智能体开发工程师在互联网、金融、医疗等多个行业都有需求(21)。

3. 大模型推理优化工程师

• 职责：专注于低延迟推理、长上下文处理和 MoE 优化，提升 LLM 的性能和效率(15)。

• 技能要求：精通 PD 分离优化、量化部署和长文本处理技术，有 LLM 推理优化经验(15)。

• 发展前景：随着大模型应用的普及，此类人才的需求将持续增长(15)。

4. AI 产品经理 / 上下文设计师

• 职责：设计 AI 产品的用户体验和上下文交互方式，确保产品的可用性和有效性(13)。

• 技能要求：理解 AI 技术能力边界，具备用户体验设计能力，熟悉上下文工程原理(13)。

• 市场需求：AI 产品经理已成为 2025 年全球产品经理大会关注的焦点(13)。

5.2 核心能力与技能要求

在上下文工程领域取得成功需要具备一系列核心能力和技能：

1. AI 与大模型基础知识

• 大模型原理理解：深入理解 Transformer 架构、注意力机制等大模型核心技术(18)。

• 提示工程技能：虽然上下文工程超越了提示工程，但仍需要扎实的提示设计能力(21)。

• 模型评估与调优：掌握大模型评估方法和调优技术，包括提示工程、参数高效微调等(24)。

2. 上下文工程专业技能

• 上下文管理技术：掌握上下文压缩、持久化和隔离等关键技术(3)。

• 工具集成能力：能够将各种工具和服务集成到上下文系统中(5)。

• 多模态融合技术：理解如何融合文本、图像、代码等多种模态的上下文信息(1)。

3. 跨领域知识与能力

• 领域知识理解：了解目标行业的业务流程和专业知识(18)。

• 系统架构设计：具备设计复杂系统架构的能力(21)。

• 问题解决能力：能够识别和解决上下文工程中的各种挑战和问题(24)。

4. 持续学习与创新能力

• 技术跟踪能力：跟踪 AI 领域的最新进展和趋势(24)。

• 实验与迭代：具备快速实验和迭代的能力，不断优化上下文系统(24)。

• 创新思维：能够提出新的上下文管理方法和技术(24)。

5.3 学习路径与发展策略

要在上下文工程领域取得成功，可以考虑以下学习路径和发展策略：

1. 系统学习与基础打牢

• AI 基础知识学习：从机器学习、深度学习等基础知识开始，逐步深入大模型领域(17)。

• 实践项目参与：通过实际项目应用上下文工程技术，积累实践经验(17)。

• 专业课程学习：参加专业机构提供的上下文工程、AI Agent 开发等课程(6)。

2. 专业方向深耕

• 选择细分领域：根据个人兴趣和市场需求，选择一个或几个细分领域深耕，如企业自动化、软件开发等(17)。

• 技术栈专精：在选定的领域内，深入掌握相关的技术栈和工具(17)。

• 行业知识积累：积累目标行业的专业知识，成为跨领域专家(17)。

3. 社区参与与网络建设

• 加入专业社区：参与 AI 和上下文工程相关的社区和论坛，与同行交流经验(6)。

• 开源贡献：参与相关开源项目，提升技术影响力(15)。

• 行业交流：参加行业会议、研讨会和讲座，拓展人脉和视野(13)。

4. 职业发展路径规划

• 技术专家路线：从初级工程师逐步晋升为高级工程师、技术专家和架构师(17)。

• 管理路线：转向技术管理或产品管理岗位，带领团队开展上下文工程相关工作(17)。

• 创业路线：基于上下文工程技术，创办自己的 AI 应用或服务公司(17)。

六、未来趋势与展望

6.1 技术发展趋势

上下文工程领域正朝着以下几个方向快速发展：

1. 长上下文处理技术突破

• 更长的上下文窗口：模型的上下文窗口将继续扩大，从当前的 128k 向更远的方向发展(6)。

• 更高效的注意力机制：研究更高效的注意力计算方法，降低长上下文处理的计算复杂度(15)。

• 上下文理解能力提升：模型对长上下文的理解能力将不断增强，能够更好地捕捉远距离依赖关系(6)。

2. 多模态上下文融合深化

• 跨模态关联：增强不同模态之间的关联能力，如图文关联、代码与自然语言关联等(1)。

• 多模态推理：发展能够在多模态上下文中进行复杂推理的技术(1)。

• 具身智能发展：将上下文理解与物理世界的感知和行动结合，发展真正的具身智能(27)。

3. 自动化与自主化程度提升

• 智能体自治能力增强：AI 智能体将具备更强的自主决策和执行能力(4)。

• 自监督学习应用：利用自监督学习技术，减少对人工标注数据的依赖(6)。

• 自适应上下文管理：系统将能够根据任务需求和环境变化，自动调整上下文管理策略(3)。

6.2 应用场景拓展

上下文工程的应用场景将不断拓展：

1. 垂直行业深度应用

• 医疗健康领域：AI 辅助诊断、个性化治疗方案生成等应用将更加普及(31)。

• 金融服务领域：智能风控、个性化理财建议等应用将进一步深化(31)。

• 智能制造领域：生产优化、质量控制、预测性维护等应用将成为主流(31)。

2. 跨领域融合应用

• AI + 物理世界交互：将 AI 与物联网、机器人等技术结合，创造能够与物理世界交互的智能系统(27)。

• 元宇宙与数字孪生：在元宇宙和数字孪生环境中，上下文工程将发挥关键作用(31)。

• 可持续发展应用：利用上下文工程技术，优化资源利用，支持可持续发展目标(16)。

3. 个人化与普惠化应用

• 个人数字助手：更智能、更个性化的个人数字助手将成为标配(5)。

• 教育与培训：个性化学习路径规划、智能辅导等应用将提升教育效果(31)。

• 心理健康支持：AI 心理健康助手将提供更具同理心和个性化的支持(31)。

6.3 行业生态系统演进

上下文工程将推动整个 AI 行业生态系统的演进：

1. 标准化与互操作性增强

• 上下文协议标准化：MCP 等协议的普及将促进不同系统之间的互操作性(27)。

• 工具与服务标准化：AI 工具和服务的标准化将降低集成成本，促进生态系统发展(27)。

• 评估标准建立：建立上下文工程系统的评估标准，促进技术进步和质量提升(31)。

2. 产业链分工与协作深化

• 专业化分工：上下文工程领域将出现更精细的专业化分工，如上下文架构师、工具开发者等。

• 生态系统合作：不同角色之间的合作将更加紧密，形成完整的上下文工程生态系统(27)。

• 开源与开放生态：开源社区将在上下文工程发展中发挥更大作用(6)。

3. 监管与伦理框架完善

• AI 伦理框架：随着上下文工程的广泛应用，AI 伦理和监管框架将不断完善(31)。

• 数据隐私保护：上下文工程涉及大量数据，数据隐私保护将成为重要议题(31)。

• AI 安全保障：保障 AI 系统的安全性和可靠性将成为行业关注的重点(31)。

七、结论与行动建议

7.1 核心结论

上下文工程作为超越提示词工程的新一代 AI 应用开发范式，正在深刻改变 AI 应用的构建方式和能力边界：

1. 上下文工程是系统工程：它不仅关注提示词的设计，更关注整个上下文系统的构建，包括信息获取、表示、管理和工具集成等多个方面(12)。

2. 上下文工程是 AI 应用的关键竞争力：在模型能力日益接近的情况下，上下文工程的质量将成为 AI 应用成败的关键因素(18)。

3. 上下文工程推动 AI 从 “大脑” 向 “具身智能” 进化：通过提供合适的工具和上下文，AI 从只能处理文本的 “大脑” 进化为能够与现实世界交互的 “具身智能”(27)。

4. 上下文工程创造巨大商业价值：它能够提升效率、降低成本、推动创新，为企业带来显著的商业价值(7)。

5. 上下文工程催生新的职业机会：上下文架构师、AI 智能体开发工程师等新兴职业正在涌现，为技术人才提供新的发展方向。

7.2 战略行动建议

对于企业和个人而言，可以考虑以下战略行动：

1. 企业战略建议

• 构建上下文工程能力：将上下文工程纳入企业 AI 战略，建立专业团队和能力体系(7)。

• 从试点项目开始：选择一个或几个有明确价值的试点项目，验证上下文工程的价值和可行性(2)。

• 投资生态系统建设：参与或构建上下文工程生态系统，与合作伙伴共同发展(27)。

• 关注人才培养与引进：培养和引进上下文工程领域的专业人才，建立人才优势(7)。

2. 技术团队建议

• 采用分层架构：设计分层的上下文工程架构，提高系统的可扩展性和可维护性(4)。

• 结合标准化与定制化：在标准化框架的基础上，根据具体需求进行定制化开发(27)。

• 注重可观测性：设计完善的监控和日志系统，提高上下文系统的可观测性(7)。

• 持续优化与迭代：建立持续优化和迭代的机制，不断提升上下文系统的性能和效果(7)。

3. 个人发展建议

• 构建复合知识结构：结合 AI 技术、系统架构和领域知识，构建复合知识结构(17)。

• 选择细分领域深耕：在上下文工程的广阔领域中，选择一个或几个细分领域深耕，成为专家(17)。

• 实践与理论并重：通过实际项目应用上下文工程技术，同时关注理论研究进展(17)。

• 保持学习与创新：AI 领域发展迅速，需要保持持续学习和创新的态度(17)。

7.3 未来展望

展望未来，上下文工程将继续推动 AI 应用的发展和创新：

1. AI 应用将更加智能化和个性化：通过更精细的上下文管理，AI 应用将能够更好地理解用户需求，提供更个性化的服务(5)。

2. 人机协作将更加紧密和自然：上下文工程将使人机协作更加流畅和自然，拓展人类的能力边界。

3. AI 将更深入地融入业务流程：随着上下文工程技术的成熟，AI 将更深入地融入企业的核心业务流程，成为不可或缺的一部分(7)。

4. 行业特定解决方案将大量涌现：针对不同行业和场景的上下文工程解决方案将大量涌现，满足多样化的需求(31)。

5. 上下文工程将成为基础设施：随着技术的普及和标准化，上下文工程将逐渐成为 AI 应用的基础设施，支撑更广泛的创新(27)。

总之，上下文工程代表了 AI 应用开发的未来方向，它将推动 AI 技术从实验室走向更广泛的应用场景，为企业和个人创造更大的价值。无论是企业还是个人，都应该重视上下文工程的发展和应用，把握这一技术浪潮带来的机遇。

**参考资料
**

[1] 代码注释生成与文档自动化功能的优化，如何结合项目上下文提升准确性?-CSDN博客 https://blog.csdn.net/weixin_41429382/article/details/146202814

[2] AI Agent如何开始自动化企业-腾讯云开发者社区-腾讯云 https://cloud.tencent.com/developer/article/2505759

[3] 2025还在学提示词?现在进化到「上下文工程」了，重塑AI应用开发的新范式_人人都是产品经理 http://m.toutiao.com/group/7522677771126981162/?upstream_biz=doubao

[4] 《2025全球机器学习技术大会:阿里云讲师张玉明深度剖析通义灵码AI程序员》-CSDN博客 https://blog.csdn.net/bjchenxu/article/details/147551950

[5] LangGraph — 加速企业面向2025年的主动型AI系统开发 - 腾讯云开发者社区-腾讯云 https://cloud.tencent.com/developer/news/2490695

[6] AI日报20250626 - “上下文工程”成AI新趋势_莫克学AI http://m.toutiao.com/group/7520070821676450343/?upstream_biz=doubao

[7] 深度解析:2025年AI平台工程的技术革新与突破_行业_上下文_企业 https://m.sohu.com/a/892981216_121924584/

[8] Context engineering emerges as crucial discipline for AI agent success https://ppc.land/context-engineering-emerges-as-crucial-discipline-for-ai-agent-success/

[9] The Future of Automation in Software Development in 2025 https://graffersid.com/the-future-of-automation-in-software-development/

[10] 从“提示词工程”到“上下文工程”:AI应用范式的关键进化_AI大模型 http://m.toutiao.com/group/7522867923208258086/?upstream_biz=doubao

[11] 告别"魔法提示词":上下文工程——AI应用开发的下一个制高点_奇艺百果香 http://m.toutiao.com/group/7523021792953238042/?upstream_biz=doubao

[12] 提示词工程、RAG之后，LangChain:上下文工程开始火了!_机器之心Pro http://m.toutiao.com/group/7519766178248655387/?upstream_biz=doubao

[13] 提示词工程已 Out!爆火的“上下文工程”究竟是个什么?_CSDN http://m.toutiao.com/group/7522422551553835561/?upstream_biz=doubao

[14] 登上热搜!Prompt不再是AI重点，新热点是Context Engineering_王跃 http://m.toutiao.com/group/7523492252115567150/?upstream_biz=doubao

[15] 浙江大学就业服务平台 https://www.career.zju.edu.cn/jyxt/sczp/zpztgl/ckZpgwXq.zf?dwxxid=JG1212513&zpxxbh=31AF19CD1BD2E287E0653A68DD0E9B18

[16] Most Demanding Engineering Field in Future 2025 https://www.upgrad.com/study-abroad/articles/most-demanding-engineering-fields-best-10-jobs-for-future-2025/

[17] Top In-Demand Engineering Jobs for 2025 & the Future - Nerd Werk https://nerdwerk.io/blog/the-most-in-demand-engineering-jobs-for-2025-and-beyond

[18] 提示词工程已 Out!爆火的“上下文工程”究竟是个什么?_五彩孔雀的笑 http://m.toutiao.com/group/7522696681792553524/?upstream_biz=doubao

[19] 「郑州管城回族区 大模型算法工程师招聘」_2025年郑州煤机数耘智能科技有限公司招聘-智联招聘 https://m.zhaopin.com/jobs/CCL1271755360J40738797411.htm?refcode=4019&srccode=401903

[20] 浙江大学就业服务平台 https://www.career.zju.edu.cn/jyxt/sczp/zphgl/ckZphdwXq.zf?zphsqbh=927091471990eafe359dbbd6990241c9&dwxxid=JG1212513&zphbh=2F5E967C6E66540CE0653A68DD0E9B18

[21] 「深圳光明区 AI智能体招聘」_2025年深圳市留凤科技有限公司招聘-智联招聘 https://m.zhaopin.com/jobs/CCL1491806330J40745286514.htm

[22] 「南充顺庆区 高级软件开发工程师/研发项目经理招聘」_2025年四川远辰通信科技有限公司招聘-智联招聘 https://m.zhaopin.com/jobs/CCL1225710590J40748418114.htm

[23] [宣讲会]墨影科技“精英计划”2025 届校园招聘 - 湘潭大学就业信息网 https://career.xtu.edu.cn/teachin/view/id/161747

[24] 「长春绿园区 高级ai算法工程师招聘」_2025年科锐尔人力资源服务(苏州)有限公司招聘-智联招聘 https://m.zhaopin.com/jobs/CC453635220J40775551503.htm

[25] Top 2025 Engineering Recruiting Trends - CareerBee https://www.careerbee.io/top-2025-engineering-recruiting-trends/

[26] Engineering 2025: Opportunities, Challenges, and the Role of Recruiting in Shaping the Future - MRINetwork https://mrinetwork.com/hiring-talent-strategy/engineering-2025-opportunities-challenges-and-the-role-of-recruiting-in-shaping-the-future/

[27] MCP(模型上下文协议)行业研究报告:AI智能体生态的“连接器革命” MCP(模型上下文协议)作为AI领域的“万能接口”，正引领大模型与外部世界连接的技术革命。其通过标准化接口实现AI模型与… https://xueqiu.com/6130391672/332382520

[28] 2025-2030中国工业厂房工程行业市场深度发展趋势与前景展望战略研究报告-20250429.docx - 人人文库 https://m.renrendoc.com/paper/415075521.html

[29] 2025至2030年中国风电EPC工程行业市场运营格局及未来前景分析报告.docx - 人人文库 https://m.renrendoc.com/paper/412925148.html

[30] 2019-2025年中国路桥工程市场专项调查及发展趋 势分析报告(pdf) https://m.chyxx.com/pdf/26/93/732693.pdf

[31] 2025年中国上下文感知计算行业重点企业竞争力与发展趋势分析报告 https://m.gelonghui.com/p/1908923

[32] 全球及中国上下文感知计算行业市场数据调研及前景趋势预测报告((pdf) https://doc.51baogao.cn/20250223/2560345/%E5%85%A8%E7%90%83%E5%8F%8A%E4%B8%AD%E5%9B%BD%E4%B8%8A%E4%B8%8B%E6%96%87%E6%84%9F%E7%9F%A5%E8%AE%A1%E7%AE%97%E8%A1%8C%E4%B8%9A%E5%B8%82%E5%9C%BA%E6%95%B0%E6%8D%AE%E8%B0%83%E7%A0%94%E5%8F%8A%E5%89%8D%E6%99%AF%E8%B6%8B%E5%8A%BF%E9%A2%84%E6%B5%8B%E6%8A%A5%E5%91%8A%282025-2030%E5%B9%B4%29.pdf

[33] 上下文丰富系统行业报告-全球规模、生产商排名及市场占有率(2025) https://m.gelonghui.com/p/1914128

[34] 2025 Engineering Services Industry Report | Pell Research https://www.pellresearch.com/architects/engineering-services

[35] Context Engineering is the New Vibe Coding https://analyticsindiamag.com/ai-features/context-engineering-is-the-new-vibe-coding/

（注：文档部分内容可能由 AI 生成）