/rag/ Recent content in RAG on 老张开工了 Hugo zh-cn Sun, 07 Jun 2026 00:00:00 +0000 /posts/2026/06/context-engineering/ Sun, 07 Jun 2026 00:00:00 +0000 /posts/2026/06/context-engineering/ 如果说 prompt 工程是"怎么说话"，上下文工程就是"让模型能看到什么"。这是 2025–2026 年 AI 工程师的核心能力——因为模型能力本身已经够强，前 80% 的产出差距来自上下文喂得对不对。 4.1 三种获取"知识"的方式 模型要"知道事情"，只有三条路： ┌─────────────────────────────────────────────────────────────┐ │ 1. Pretrain ：训练时就背在脑子里了 │ │ 2. Context ：你这次对话贴进来，模型看到了 │ │ 3. Tool Call ：模型调用工具（搜索、读文件、grep）拿到结果 │ └─────────────────────────────────────────────────────────────┘ 三者构成一个预算三角：pretrain 是免费的但有时效与范围；context 是最贵但最准确；tool call 介于两者之间，但要模型"会调用"。 关键洞察：所有"AI 编程工具"——Cursor、Claude Code、Copilot Workspace、OpenCode——做的核心事都是这三种方式的自动调度。 4.2 RAG：检索增强生成 RAG 解决一个矛盾：你想让模型回答某个文档里的事，但塞全文进 context 太贵太脏。做法是先检索 → 拿到相关片段 → 把片段塞进 context。 # RAG 的极简伪代码 def answer(query: str, knowledge_base: list[str]) -> str: # 1. 把知识库切成 chunk 并预计算 embedding chunks = [chunk for doc in knowledge_base for chunk in split(doc, size=512)] chunk_embeddings = embed(chunks) # 2.