年中大家有个讨论很火的话题，就是提示词工程应该叫“上下文工程”，我觉得这种称呼非常准确，也很有前瞻性。最近连GPT也推出了AI浏览器，它的一个重要目标就是获取更多用户的上下文信息，从而提升用户体验。
比如说，我们想让AI帮我们总结一个视频的内容。以前需要先下载视频，再转成文字，非常麻烦。现在有了AI浏览器，可以直接从网页获取数据并转成文字，这样上下文信息越丰富，用户体验提升就越大。
我想到，大模型完成任务时，其实就像我们找一个小助手帮忙。所以，和AI交互时，交代清楚背景非常重要。仅靠提示词是无法完全实现这个目的的。按照我的理解（不一定对），会有几个重要环节：
首先，要把用户输入的内容提取出来并存储，因为上下文窗口是有限的。
用一个比较专业的词来说，这其实就是“压缩”。这就像我们人脑记东西一样。比如我们记一个号码，不是把每个数字单独记住，而是会把它分块，比如记一个完整的11位电话号码，通常会分成三个组块，比如“189-0101-1212”这样。
人脑的短时记忆一般只能容纳4到8个组块，最多大概八个组块左右，所以当我们把几个数字变成一个组块时，就大大降低了记忆的负担。对应到大模型，也是一样的，这说白了，就是把信息压缩，只保留关键信息。
第二点，需要构建一个存储上下文的系统，包括存储和检索功能。比如我们查询信息时，需要做检索。如果没有检索机制，长期记忆系统就只能一个个遍历，通过列表查询，效率很低，也不一定准确。
第三点是在不同的上下文环境中，需要进行隔离。以人脑为例，情绪记忆和知识类记忆分别存储在不同的脑区。比如，情绪记忆是我们因某件事情生气的经历，这类记忆存在一个区域；而知识类记忆，比如什么是大模型，则存储在另一个脑区。因此，在处理不同任务时，需要从不同的环境中提取相应的记忆，所以必须进行隔离。