# 上下文工程 - 原标题：Context Engineering - 类型：课程 - 来源：DeepLearning.AI - 学期：未标注 - 首次精选：2026-10-26 15:48 - 分级：值得看 - 学习层级：进阶 - 主题：[rag-search-retrieval]()（第 9 位）、[agent-context-memory]()（第 14 位）、[agent-evaluation-reliability]()（第 29 位） - 原文链接：[https://deeplearning.ai/courses/context-engineering]() - 本站页面：[https://oplearnx.com/resources/pk\_2030ef4d8c9a]() ## 摘要 DeepLearning.AI 上的一门中级课程“Context Engineering”，与 Chroma 合作制作，讲师为 Jeff Huber 和 Drew Breunig。课程共 37 个视频、8 个代码示例、6 次评分作业，时长约 18 小时 56 分，内容涵盖智能体搜索、上下文管理（裁剪、压缩、草稿板）和智能体记忆。材料显示该课程于 2026 年 10 月 26 日更新，证书需 PRO 会员。 ## 概览 - 难度：进阶 - 语言：英文 - 规模：37 视频 · 18h56m - 费用：部分免费 - 动手：8 个代码示例 · 6 次作业 ## 学完你能 - 说明 agent 上下文的组成、失效模式以及上下文腐化（Context Rot）为何让长上下文不可靠 - 利用 agent harness 中的 hooks 与 traces 定位并预防上下文问题 - 为 agent 配置词法、语义、混合与结构化检索，并写好工具描述、用工具注册表按需加载工具 - 用分块、代码解析与元数据改进检索，并用精确率与召回率衡量效果 - 用去重、抽取、截断等剪枝手段与压缩摘要、scratchpad 管理上下文格式 - 为 agent 构建跨会话的事实、规则与产物记忆，并评估记忆效果 ## 适合你吗 - 适合：构建 AI agent、希望其在复杂多步任务上保持可靠与高效的开发者 - 适合：想用纯 Python（不依赖框架）从零搭建 agent harness 的工程师 - 适合：已了解 LLM 应用、工具调用与基础检索概念，想深入上下文管理的人 - 暂不适合：Python 编程仅停留在入门水平、不熟悉函数与类的人 - 暂不适合：完全没有 LLM 应用、工具调用或检索经验的人 - 暂不适合：想找提示词写法技巧而非 agent 上下文工程的人 - 需要先会：需要中级 Python 能力（函数与类），并熟悉 LLM 应用、工具调用与基础检索概念。 ## 课程特点 - 内容侧重：以“在正确的时间给 agent 正确格式的正确信息”为主线，覆盖 agentic search、上下文管理与 agentic memory，用 traces 与 evals 驱动改进。 - 练习与项目：8 个代码示例实验（每次约 1 小时）与 6 次评分作业（含模块测验），实验在 notebook 中用 Python 从零搭建，不含框架。 - 投入时间：页面标注总时长 18h56m，含 37 段视频；多段概念视频为 3–9 分钟，部分实验各约 1 小时，模块测验约 15 分钟。 - 费用说明：课程页面引导升级 Pro 会员，Pro 月费为按年计费 25 美元/月、按月计费 30 美元/月；完成课程获得证书需为 Pro 会员。 ## 内容覆盖 - 模块 1：上下文工程导论（上下文组件、失效模式、Context Rot、agent harness 组件） - 模块 1 实验：上下文失效模式、客户支持 agent 内部结构、塑造其上下文 - 模块 2：Agentic Search（编码 agent 示例、检索策略、工具注册表、评估与数据准备） - 模块 3：上下文管理（研究 agent 示例、剪枝、压缩、scratchpad 与评估） - 模块 4：Agentic Memory（邮件 agent 示例、读取记忆、写入记忆与评估） - 嘉宾分享：Drew Breunig（共四部分） --- 来源：LearnMap · 学径（https://oplearnx.com）