上下文工程与分层记忆

上下文工程分层记忆常见风险Python 入口

上下文工程决定模型当下能看到什么，分层记忆决定系统能持续保留什么。

上下文工程

上下文工程解决的是“模型在当前任务里应该看什么、以什么优先级看、哪些可信、哪些只是参考”的问题。它不是单纯写 prompt，而是组织系统指令、任务输入、检索证据、工具结果、历史摘要和用户偏好。

上下文类型	内容	要点
系统指令	角色、边界、安全规则	简洁稳定、优先级高
任务上下文	用户目标、输入文件、输出格式	结构化表达
检索上下文	文档片段、图谱路径、数据库结果	带来源和时间
工具上下文	工具描述、参数、返回结果	最小暴露
历史上下文	对话摘要、偏好、任务状态	定期压缩和过期

分层记忆

记忆层	保存什么	常见存储
工作记忆	当前任务步骤和临时变量	上下文窗口、状态对象
会话记忆	当前会话目标和已确认决策	摘要、短期数据库
长期记忆	稳定偏好、项目规则、历史案例	向量库、关系库
语义记忆	实体、关系、概念、规则	知识图谱
情景记忆	具体事件和操作记录	日志、审计时间线

常见风险

上下文越多不一定越好。过多上下文会增加成本、噪声和提示注入风险。记忆如果不更新，会把过期信息带入新任务；如果不做权限过滤，会造成数据泄露。

Python 入口

def build_context(question, user_id):
    history = summarize_session(user_id)
    docs = vector_store.search(question, user_id=user_id)
    profile = memory_store.get_preferences(user_id)
    return {
        "question": question,
        "history_summary": history,
        "retrieved_docs": docs,
        "user_preferences": profile,
    }

这里的关键不是某个库，而是上下文组装时要做摘要、检索和权限过滤。