每個人都遺漏的地圖

LLM 知識工程生態系統 -- 2026
2022 -- 2024
提示工程
Prompt Engineering
「精心設計完美的提示詞」
-->
2025
上下文工程
Context Engineering (Karpathy)
「動態建構上下文視窗」
-->
2026
系統編排工程
Harness Engineering (Fowler, OpenAI)
「圍繞模型編排整個系統」
知識來源

RAG 管線 Ch02

  • Self-RAG、Corrective RAG
  • Adaptive RAG、Agentic RAG
  • 成本比長上下文低 1,250 倍
  • 71% 企業使用 RAG

知識圖譜 Ch02

  • Microsoft GraphRAG
  • 實體關係推理
  • 多跳查詢解析

長上下文視窗 Ch02

  • 1M+ token（Claude、Gemini）
  • 適合靜態、有限範圍文件
  • 「中間遺失」退化問題
輸入至
上下文工程

動態上下文組裝 Ch03

  • 六層上下文模型（Anthropic）
  • KV-cache 命中率 = 關鍵指標
  • 100:1 輸入輸出比

系統提示詞 + 指令 Ch03

  • 規則、約束、角色設定
  • 技能分發路由表

工具定義 + Schemas Ch07

  • MCP 協議標準
  • 每月 9,700 萬+ SDK 下載
  • Meta-tool 模式提升效率

對話 + 記憶 Ch06

  • 情節 / 語義 / 程序記憶
  • 跨 session 持久化
  • Zettelkasten 啟發（A-MEM）
塑造
系統編排工程

技能系統 + 路由 Ch05

  • 70 萬+ 社區技能
  • Skill Graphs（arscontexta）
  • 漸進式揭露路由
  • 85-95% Token 節省

Agent 架構 Ch04

  • 規劃者 / 生成者 / 評估者
  • Sprint 合約做品質管理
  • 6 倍效能差距（Meta-Harness）

安全 + 控制 Ch04

  • 引導（前饋）vs 感測（回饋）
  • 計算性 vs 推理性控制
  • 多層內容防護

MCP / 工具層 Ch07

  • 通用協議標準
  • Linux Foundation 治理
  • 驗證、沙箱、審計追蹤
模型是 CPU。上下文是 RAM。Harness 是作業系統。
每一代包含前一代。系統編排工程包含上下文工程，上下文工程包含提示工程。
awesome-llm-knowledge-systems -- 第一份將 AI 知識生態系統每塊拼圖串起來嘅完整指南。