上下文工程：超越 Prompt 的新范式

2023: 上下文窗口 8K → 写好 Prompt 就够了
2024: 上下文窗口 128K → 需要管理 Few-shot 和历史
2025: 上下文窗口 1M → 需要主动管理上下文结构
2026: 上下文窗口 2M → 上下文工程成为独立学科

你是一个代码审查专家。审查规则：
1. 安全性（SQL 注入、XSS、硬编码密钥）
2. 性能（N+1 查询、不必要的循环）
3. 可维护性（命名规范、函数长度）

项目架构文档：
- 前端：React 18 + TypeScript
- 后端：FastAPI + SQLAlchemy
- 数据库：PostgreSQL 15
- 部署：Docker + K8s

代码规范：
- 函数名用 snake_case
- 每个函数必须有 docstring
- 禁止使用 any 类型

之前的对话：
User: 帮我创建一个用户模型
AI: 创建了 User 模型，包含 name, email, password_hash...
User: 添加一个 created_at 字段
AI: 已添加 created_at 字段，默认值为当前时间...

当前代码状态：
class User(Base):
    name = Column(String(50))
    email = Column(String(100))
    password_hash = Column(String(255))
    created_at = Column(DateTime, default=func.now())

可用工具：
1. execute_sql(query: str) - 执行 SQL 查询
2. read_file(path: str) - 读取文件
3. write_file(path: str, content: str) - 写入文件
4. search_web(query: str) - 搜索互联网

工具状态：
- 数据库连接：已连接（PostgreSQL）
- 文件系统：/project/src/
- 网络：可用

注意力分布（2M 上下文）:
┌────────────────────────────────────────┐
│ 开头 10%  ████████████  高注意力       │
│ 中间 80%  ███          低注意力       │
│ 结尾 10%  ████████████  高注意力       │
└────────────────────────────────────────┘

[System Prompt - 重要规则]     ← 开头，高注意力

[历史对话 - 次要信息]          ← 中间，低注意力

[当前任务 + 关键约束]          ← 结尾，高注意力

def manage_context(messages: list, max_tokens: int):
    if token_count(messages) <= max_tokens:
        return messages

    # 保留最近 5 轮
    recent = messages[-10:]

    # 压缩更早的
    old = messages[:-10]
    summary = llm.summarize(old)

    return [
        Message(role="system", content=f"之前的对话摘要: {summary}")
    ] + recent

=== 项目背景 ===
...

=== 代码规范 ===
...

=== 当前任务 ===
...

=== 输出要求 ===
...

class ContextEngine:
    def __init__(self, max_tokens: int = 200000):
        self.max_tokens = max_tokens
        self.instruction = ""       # 指令
        self.knowledge = []         # 知识库
        self.history = []           # 对话历史
        self.tools = []             # 工具定义

    def build(self, current_input: str) -> str:
        """构建最优上下文"""
        sections = []

        # 1. 指令放最前面
        sections.append(f"# 指令\n{self.instruction}")

        # 2. 工具定义
        if self.tools:
            sections.append(f"# 可用工具\n{self._format_tools()}")

        # 3. 知识（按相关性排序）
        relevant = self._retrieve_relevant(current_input)
        if relevant:
            sections.append(f"# 背景知识\n{relevant}")

        # 4. 历史摘要（压缩中间）
        if self.history:
            summary = self._compress_history()
            sections.append(f"# 之前的工作\n{summary}")

        # 5. 当前任务放最后（高注意力区）
        sections.append(f"# 当前任务\n{current_input}")

        context = "\n\n---\n\n".join(sections)

        # 确保不超限
        if self._token_count(context) > self.max_tokens:
            context = self._truncate(context)

        return context

    def _retrieve_relevant(self, query: str) -> str:
        """从知识库中检索相关内容"""
        # 使用向量检索 + 关键词匹配
        return vector_db.search(query, top_k=5)

    def _compress_history(self) -> str:
        """压缩历史对话"""
        if len(self.history) <= 5:
            return self._format_history(self.history)

        # 保留最近 5 轮，更早的做摘要
        old = self.history[:-5]
        recent = self.history[-5:]

        summary = llm.summarize(old)
        return f"摘要: {summary}\n\n最近对话:\n{self._format_history(recent)}"