LangChain 提出“知识工厂”概念,认为企业落地 AI 的瓶颈不在模型能力,而在于把分散在员工头脑与文档中的隐性运营知识收集、整理并持续维护成可供智能体调用的知识表示。该架构已在 LangChain 内部 GTM 与内容团队实践,并正与部分客户合作推广。
上下文工程
Context Engineering
对提示词与上下文的结构、长度和规则组织进行设计优化,以控制成本、延迟与规则干扰
收录情报动态
随着智能体从简单文本生成演进到执行完整任务并追求开放式目标,设计目标范围成为关键能力。文章提出,好的目标设计应让智能体运行过程中的反馈尽可能容易,从而弥补上下文缺失导致的失误,并让智能体持续学习、提升自主性。作者断言提示工程与上下文工程终将消失,而目标工程将长期存在。
Greg Isenberg 提出一套让公司成为“最 AI 原生”的实操框架:用 Obsidian 建立个人第二大脑,用 Wispr 语音输入、Granola 会议转录持续沉淀事实与决策,再通过 CLAUDE.md 或 AGENTS.md 指令文件、claude-mem 与 mem0 跨会话记忆、Airbyte 到 ClickHouse 的数据管道,把私有上下文喂给智能体。核心论点是模型对所有人相同,唯有独家上下文构成不可复制的竞争壁垒。
文章复盘了某 AI 投研平台借助 Coding Agent 在 4 天内生成并集成 37 个投研技能后暴露的三类生产级问题:口语化提问导致路由不准、单技能提示词膨胀至约 6000 token 引发上下文爆炸与规则互扰、溯源标注与时间范围约束失守导致输出不可信。作者指出这些问题均不在业务逻辑本身,而在于路由、结构、规则边界与评测等工程体系,并提出“路由分得准、结构拆得省、规则写得狠、案例配得真、评测兜得住”的调优框架。
LangChain 披露其内部 GTM Agent 在 12 周内生成 1540 份销售物料,节省数千小时人工。文章强调质量主要来自上下文工程而非提示词调优,并给出带文档的商机推进到后续阶段的比例为 47%,对照组为 16%。该方案可基于 Deep Agents 框架复现。
ByteAsk 发布开源 C/C++ 编码智能体,通过前置上下文引擎在模型读取代码前定位修改点,将单次运行 token 从 179.5 万降至 39.5 万,降幅约 78%,成本降低 68.1%,同时修复缺陷数量持平。该工具还标记需同步修改的同类代码位置,并仅针对相关测试验证补丁,在冷门项目与难题上节省约 80%。
知名天使投资人 Greg Isenberg 用一张图概括当前创业公司的核心竞争逻辑:获取高价值专有上下文数据,编排 AI 智能体在其上构建,再将产出数据回灌循环,并把人类调用当作 API 接入。他认为循环越快、上下文越优质的公司将胜出。该观点为经验性判断,未提供数据或可验证案例。
Anthropic 工程博客以人类记忆机制为类比,系统拆解 AI Agent 记忆的组成要素,并将其归入智能体与上下文工程议题。文章属于概念性工程经验分享,正文中段被省略,未给出可验证的具体方法或参数。
文章提出协作的本质是上下文传递,而非消息发送,并指出多 Agent 入场后上下文折损会按乘法叠加。作者以内部工具 Siboot 为例,主张围绕上下文的流动、隔离与接力重构群聊式协作产品。全文为产品理念阐述,缺少可验证的技术参数与评测数据。
AICon 北京站将于 12 月 18-19 日举办,设 13 个专题,覆盖 Agent 工程、推理优化、智能体评测与安全等方向。腾讯工程师陈偲颖将在 Agentic Software Engineering 专题分享 AI Native 企业研发工具链,围绕工具协议化、Agent 运行时工程化、上下文工程平台化与摩擦信号闭环四条主线。内容以议程预告为主,尚无具体技术参数或可验证结果。