12.6.2 上下文工程
所属:全栈开发面试题库 / 12 待归类与新技术观察 / 12.6 AI 编程工具与工作流
覆盖范围
- 规则文件体系:.cursorrules、AGENTS.md、CLAUDE.md 等项目级规范
- 代码索引与检索:embedding 索引、符号检索、语义搜索
- 工具调用机制:Function Calling、MCP 工具、沙箱执行
- 上下文窗口管理:压缩、裁剪、优先级排序、长上下文策略
- 上下文质量评估:如何判断 AI 有没有「看懂」你的代码库
高频题速览
| 编号 | 题目 | 难度 | 频率 |
|---|---|---|---|
| 12.6.2-001 | 什么是上下文工程?为什么它比 Prompt 工程更重要? | 基础 | ★★★★★ |
| 12.6.2-002 | 规则文件(.cursorrules / AGENTS.md)应该写什么? | 中等 | ★★★★★ |
| 12.6.2-003 | 代码库索引是怎么工作的? | 中等 | ★★★★☆ |
| 12.6.2-004 | 上下文窗口不够用怎么办? | 中等 | ★★★★☆ |
| 12.6.2-005 | 工具调用(Function Calling)的原理是什么? | 中等 | ★★★★☆ |
| 12.6.2-006 | 如何判断 AI 是否真正理解了代码库? | 高级 | ★★★☆☆ |
| 12.6.2-007 | 项目级规则文件应该多长?写多了会怎样? | 高级 | ★★★☆☆ |
| 12.6.2-008 | 多文件编辑时上下文如何组装? | 高级 | ★★★☆☆ |
12.6.2-001 什么是上下文工程?为什么它比 Prompt 工程更重要?
一句话结论
上下文工程是指系统性地为 AI 模型提供正确、充分、相关的背景信息(代码、文档、规范、工具结果)的工程实践;Prompt 工程关注单次输入的措辞,上下文工程关注整个会话/任务中模型能访问到什么信息——在代码库级任务中,上下文质量直接决定输出质量,远比措辞技巧重要。
概念解释
- 上下文:模型在一次推理中能看到的所有信息,包括系统提示、对话历史、检索结果、工具返回。
- 上下文工程:决定放什么、不放什么、按什么优先级放、何时压缩。
- Prompt 工程:如何组织单次输入的措辞。
原理流程
- 识别任务需要哪些信息(业务规则、代码结构、接口定义、测试结果)。
- 通过索引/检索/工具调用获取相关信息。
- 按优先级组装成上下文(系统规则 > 相关代码 > 对话历史 > 用户问题)。
- 上下文窗口满时压缩旧内容。
代码 / 示例
上下文组装优先级:
1. 项目规则文件(AGENTS.md / .cursorrules)
2. 相关文件内容(通过索引检索或 @引用)
3. 当前打开的文件
4. 对话历史
5. 用户最新问题
常见误区
- 误区:把所有代码都贴给模型就是好上下文;正解:无关代码会稀释注意力,关键是「相关性」而非「完整性」。
- 误区:上下文工程就是写好 Prompt;正解:Prompt 只是入口,真正的工程在于检索、索引、工具链设计。
追问 / 延伸
- Q:上下文窗口越大越好吗? A:大窗口能容纳更多信息,但注意力会稀释,且成本更高;关键是精准检索。
- Q:长上下文模型(如 200K token)还需要索引吗? A:仍需要——即使窗口够大,也不能把整个仓库塞进去,检索精准度决定输出质量。
12.6.2-002 规则文件(.cursorrules / AGENTS.md)应该写什么?
一句话结论
规则文件应写:项目技术栈与目录结构、编码规范、命名约定、构建/测试命令、禁止事项、关键设计决策;不写通用编程常识、不写代码示例、不超过模型能有效处理的长度(建议 200-500 行以内)。
概念解释
- 规则文件:AI 工具在每次会话自动加载的项目级指令文件。
- 作用:让 AI 了解项目特定规范,避免每次重复说明。
- 不同工具文件名不同:.cursorrules(Cursor)、AGENTS.md(通用/Claude Code)、.trae/rules(Trae)。
原理流程
- AI 工具打开项目时自动读取规则文件。
- 规则内容作为系统提示的一部分注入每次推理。
- AI 按照规则中的规范生成代码与操作。
代码 / 示例
# 项目规则示例
## 技术栈
- 后端:Spring Boot 3 + Java 17
- 前端:Vue 3 + TypeScript + Vite
- 数据库:MySQL 8
## 目录结构
- /src/main/java/com/xxx/controller —— 控制器
- /src/main/java/com/xxx/service —— 业务逻辑
- /src/main/java/com/xxx/mapper —— 数据访问
## 构建命令
- 构建:mvn clean package
- 测试:mvn test
- 前端构建:npm run build
## 禁止事项
- 不要使用 System.out.println,用 SLF4J
- 不要在 controller 写业务逻辑
- 不要引入新依赖,除非明确说明理由
常见误区
- 误区:规则文件越长越好;正解:过长会占用上下文窗口,稀释关键信息,应精简到核心规范。
- 误区:规则文件可以写所有东西;正解:通用编程常识(如「函数要短小」)不需要写,模型已知。
追问 / 延伸
- Q:规则文件和文档有什么区别? A:规则文件是给 AI 看的指令,文档是给人看的说明;两者可以共享部分内容但侧重点不同。
- Q:不同工具的规则文件能共用吗? A:内容可以共用,但文件名与格式需适配各工具,建议维护主文件再软链/复制。
12.6.2-003 代码库索引是怎么工作的?
一句话结论
代码库索引通过两个层面工作:静态分析(解析 AST 提取符号、定义、引用关系)和语义索引(将代码块切分后做 embedding,存入向量数据库);查询时结合关键词匹配与语义相似度检索相关代码片段。
概念解释
- 静态分析:解析代码语法树,提取类、函数、变量定义与引用关系,实现「定义在哪、被谁用」。
- 语义索引:将代码切分为小块,用 embedding 模型转向量,存入向量数据库,支持「找做类似事情的代码」。
- 混合检索:结合关键词精确匹配与语义模糊匹配。
原理流程
- 首次打开仓库时,遍历所有源文件。
- 对每个文件做静态分析,提取符号表。
- 将代码块切分(按函数/类/文件),做 embedding。
- 存入向量数据库。
- 查询时:关键词匹配 + 语义检索,返回 Top-K 相关片段。
代码 / 示例
用户问:"登录鉴权是怎么实现的?"
索引检索过程:
1. 关键词匹配:"登录"、"鉴权" → 找到 auth/login 相关文件
2. 语义检索:embedding 匹配"身份验证"相关代码块
3. 合并结果,按相关性排序
4. 返回 top 3-5 个代码片段给模型
常见误区
- 误区:代码索引就是 grep;正解:grep 只能精确匹配字符串,索引能理解语义,找「做类似事情的代码」。
- 误区:索引是实时的;正解:索引通常是增量更新,大改动后可能需要重新索引。
追问 / 延伸
- Q:node_modules 会被索引吗? A:通常默认排除,可配置排除目录。
- Q:索引存在本地还是云端? A:本地索引(本地向量数据库),云端索引(上传到服务端)各有方案,企业版需注意数据安全。
12.6.2-004 上下文窗口不够用怎么办?
一句话结论
按优先级处理:先精简(只检索相关片段,不贴全文件)、再压缩(对话历史摘要化)、再分层(将不常用信息放入工具调用,需要时再取)、最后用支持更大上下文窗口的模型;不要试图把所有信息塞进有限窗口。
概念解释
- 精简:通过索引检索只取相关代码片段,而非整个文件。
- 压缩:将早期对话历史摘要成简短描述,保留关键结论。
- 分层:核心信息常驻上下文,次要信息通过工具调用按需获取。
原理流程
- 计算当前上下文 token 占用。
- 对话历史超过阈值时,将早期对话摘要化。
- 代码片段按需检索,不预加载。
- 超长任务拆分,每步只保留当前步所需上下文。
代码 / 示例
上下文窗口 200K token 的分配策略:
系统规则:5K
相关代码片段:20K
当前文件:10K
对话历史:50K
用户问题:1K
剩余空间:114K(留作工具返回)
常见误区
- 误区:窗口不够就换更大窗口的模型;正解:大窗口成本高且注意力稀释,应先优化检索精度。
- 误区:对话历史全保留更好;正解:早期对话与当前任务无关时,摘要化即可,保留全部反而干扰。
追问 / 延伸
- Q:什么是「上下文窗口中毒」? A:大量无关信息在上下文中导致模型注意力分散,输出质量下降。
- Q:多轮对话后质量下降怎么办? A:定期开启新会话,将关键结论带入新会话作为上下文。
12.6.2-005 工具调用(Function Calling)的原理是什么?
一句话结论
工具调用是指模型在推理过程中输出一个结构化的函数调用请求(函数名 + 参数),由外部程序执行该函数后将结果返回给模型,模型基于结果继续推理;这让 AI 能访问外部世界(文件系统、数据库、API),而不仅是训练数据。
概念解释
- Function Calling:模型输出 JSON 格式的函数调用指令。
- 外部执行:宿主程序解析指令,调用对应函数,将结果作为新消息返回。
- 循环:模型 → 调用工具 → 结果 → 模型 → 继续,直到任务完成。
原理流程
- 系统提示中定义可用工具及其参数 schema。
- 用户提问后,模型判断是否需要调用工具。
- 如果需要,模型输出工具调用 JSON。
- 宿主程序执行工具,将结果返回。
- 模型基于工具结果继续推理或给出最终答案。
代码 / 示例
// 模型输出的工具调用
{
"tool_calls": [{
"name": "read_file",
"parameters": { "path": "src/auth.ts" }
}]
}
// 宿主执行后返回
{
"content": "export function login() { ... }"
}
常见误区
- 误区:模型自己执行工具;正解:模型只输出调用指令,实际执行由宿主程序完成。
- 误区:工具调用越多越好;正解:每次工具调用都消耗 token,且可能引入错误,应精简工具集。
追问 / 延伸
- Q:工具调用的安全风险? A:模型可能被诱导执行危险命令(Prompt Injection),需限制工具权限、沙箱执行。
- Q:MCP 与 Function Calling 什么关系? A:MCP 是标准化的工具调用协议,详见 12.6.4。
12.6.2-006 如何判断 AI 是否真正理解了代码库?
一句话结论
通过三个测试判断:交叉引用测试(问「谁调用了这个函数」看是否找对)、隐含约束测试(问「修改这里会影响哪里」看是否识别依赖)、架构推断测试(让 AI 画模块依赖图,与实际对比);如果 AI 只能描述当前文件内容而不能跨文件推理,说明理解不够。
概念解释
- 交叉引用测试:验证 AI 是否理解代码间的调用关系。
- 隐含约束测试:验证 AI 是否识别修改的影响范围。
- 架构推断测试:验证 AI 是否理解整体模块划分。
原理流程
- 选一个核心函数,问 AI「谁调用了它」。
- 手动核对调用列表是否准确。
- 问「修改这个函数签名会影响哪些文件」。
- 让 AI 描述项目的模块划分,与实际目录结构对比。
代码 / 示例
测试用例:
Q: "PaymentService.process() 被哪些地方调用?"
A: AI 列出 → 手动核对是否准确
Q: "如果把 process() 改成异步返回,需要改哪些文件?"
A: AI 列出 → 检查是否遗漏调用方
常见误区
- 误区:AI 能写出代码就是理解了;正解:能写出当前文件的代码不代表理解跨文件依赖。
- 误区:索引建了就等于理解了;正解:索引只提供检索,模型如何利用检索结果决定理解深度。
追问 / 延伸
- Q:大仓库 AI 总是漏文件怎么办? A:拆分任务为小步骤,每步显式指定相关文件,不要让 AI 自己找全部。
- Q:如何提升 AI 对项目的理解? A:完善规则文件、补全文档、提供清晰的目录结构与命名。
12.6.2-007 项目级规则文件应该多长?写多了会怎样?
一句话结论
建议控制在 200-500 行以内(约 5K-15K token);写多了会占用上下文窗口、稀释关键规则、增加每次推理成本,且模型对超长规则的注意力会下降,关键规则反而被忽略。
概念解释
- 规则文件长度:直接影响每次会话的 token 消耗与上下文占用。
- 注意力稀释:模型对长文档的中段信息关注度下降(Lost in the Middle 现象)。
- 成本:每次推理都携带规则文件,规则越长成本越高。
原理流程
- 列出所有需要 AI 知道的项目规范。
- 区分「每次都要知道」与「需要时再查」。
- 核心规范放规则文件,详细文档放项目 wiki 并在规则中引用。
- 定期审查规则文件,删除过时与冗余内容。
代码 / 示例
规则文件内容取舍:
保留:技术栈、目录结构、构建命令、禁止事项、关键命名约定
删除:通用编程常识、详细 API 文档(放在代码注释里)、过时规范
引用:详细规范文档路径,AI 需要时自己读
常见误区
- 误区:规则文件要事无巨细;正解:只写 AI 必须知道的硬约束,其他靠代码与文档。
- 误区:规则文件写一次就不用管;正解:项目演进后规则也要更新,过时规则比没有规则更糟。
追问 / 延伸
- Q:规则文件能分多个吗? A:部分工具支持分目录规则文件(如 .cursor/rules/),按主题拆分管理。
- Q:新人入职写规则文件有什么建议? A:从项目 owner 最常纠正的问题开始写,逐步积累。
12.6.2-008 多文件编辑时上下文如何组装?
一句话结论
多文件编辑时,上下文组装策略为:当前编辑文件全文 + 相关文件的关键片段(通过索引检索或依赖分析)+ 用户指令 + 规则文件;不相关文件的内容不放入,避免上下文膨胀;AI 生成的 diff 按文件分别呈现。
概念解释
- 依赖分析:通过静态分析确定修改一个文件需要同时看哪些依赖文件。
- 关键片段:只取相关函数/类,而非整个文件。
- Diff 分离:每个文件的修改独立展示,便于逐文件审查。
原理流程
- 用户描述任务,AI 识别涉及的文件列表。
- 对每个文件,读取相关部分(全文或关键函数)。
- 组装上下文:规则 + 文件内容 + 用户指令。
- 模型生成修改,按文件输出 diff。
- 用户逐文件审查接受。
代码 / 示例
任务:"把用户表的 status 字段从 int 改成 string"
AI 识别需要改:
- user.entity.ts(实体定义)
- user.service.ts(业务逻辑中所有用 status 的地方)
- user.controller.ts(接口返回格式)
- user.dto.ts(数据传输对象)
AI 逐个文件生成 diff,用户逐个审查
常见误区
- 误区:AI 会自动找到所有需要改的文件;正解:复杂任务可能遗漏,用户需要补充提示。
- 误区:多文件编辑一次全部接受;正解:应逐文件审查,避免一个错误扩散到多个文件。
追问 / 延伸
- Q:多文件编辑最容易出错的地方? A:跨文件一致性——一个文件改了但另一个文件没同步改,导致类型不匹配或逻辑断裂。
- Q:如何验证多文件修改的正确性? A:构建 + 测试 + 手动走查核心路径。
待整理清单
- [ ] 各 AI 工具上下文管理机制对比(待确认)
- [ ] 规则文件模板库(按技术栈分类)
- [ ] 上下文窗口优化最佳实践
- [ ] 多文件编辑的代码审查清单