Context Engineering认识（二）

需求即供给

1. 第一次接触这个词，是最近阿里在重塑组织架构的相关新闻中提到的概念，即消费者的需求的概念和供应商处在同样的生态位，具备周期性和优质劣质的变化。
2. 在AI应用开发领域，用户在自然语言提出需求的那一刻，大模型接收到了需求，但在大模型的角度：系统模型定义，历史聊天记录，可使用的mcp工具，长期记忆（也可以是用户画像）等这些和提示词都是相同的角色，即上下文要素。
3. 提示词工程，即便构建的如何精妙，也只是影响大模型最终输出结果的上下文的一环。如何准确的识别用户的意图，并在有限的上下文空间内，将和用户意图相关的上下文信息输入大模型，是直接影响大模型输出关键主要的因素。

AI应用应该努力的方向

纯主观的想法，没有业界依据。

1. 如果所有的输入都是上下文的一部分，对大模型职责定位而已，它不应该是一个非常聪明，十八般武艺样样精通，即它不应该存在某个领域专属大模型的说法。在系统提示词环节设置复杂的专属领域的提示限定不是AI应用发展的进步，只是国内企业的销售技巧。
2. 在向量数据库的基础上，将用户的上下文解析出关键元素（即话题相关的关键词），纳入向量数据库，对所有元素加以权重区分，随着用户话题的深入或变化，不论是历史对话的权重，还是长记忆/知识库等权重都在不断变化调整，只有用户当前提供的提示词的权重不变，以此来解决在有限上下文空间内，提供的上下文信息最精简且有效。