了解提示词工程到上下文工程的演进，掌握大语言模型交互的核心技术

1.从提示词到上下文

大模型微调实战-自动生成某NTA产品查询语句。使用LoRA微调Qwen-1.8B-Chat以实现大模型自动生成天眼查询语句。

大模型微调实战

介绍大模型是如何工作的，以及使用Qwen-1.8B-Chat大模型、开源知识库项目FastGPT以及对接大模型API的开源项目One API进行本地搭建。

用最小资源跑知识库大模型

使用ELK及EQL语法搭建一套基于Windows Sysmon日志的EDR。

利用ELK及EQL搭建一套EDR

全面了解上下文工程的技术组成和架构

2.上下文工程技术栈

理性看待国产开源模型与世界顶级闭源模型的差距

Anthropic 正式启动了 “透明之翼”计划 (Project Glasswing)。这不仅是一次技术发布，更是一场由 Amazon、Google、Microsoft、Apple、NVIDIA、Cisco 及 JPMorganChase 等巨头组成的全球防御联盟。

Anthropic 揭秘“透明之翼”计划：AI 正在重构全球防御版图

市场长期以来对AI颠覆谷歌搜索的“生存危机”定价正面临彻底证伪。随着Gemini系列模型的加速迭代与AI Overview（AIO）渗透率跨越50%的红线，硬核流量数据揭示了一个被忽视的现实：AI不仅没有蚕食搜索，反而通过开辟高频次、复杂化的交互场景，驱动了搜索总盘子的“增量膨胀”。我们认为，谷歌的风险结构已从商业模式的“生死存亡”降级为变现节奏的“运营适配”，当前估值具备显著的非对称性上行空间。

GOOGLE 投资深度分析报告

Harness Engineering-AI Agent框架工程化介绍。

Harness Engineering-AI Agent工程化的核心

基于 Claude Code 源码（2026-03-31 快照，512K 行 TypeScript）逆向分析
核心文件：src/services/compact/ 目录下 11 个文件

Claude Code 上下文压缩算法深度分析

解剖OpenClaw：AI Agent 运作原理与架构

深入探讨生成式人工智能（AI）深度介入下的编程新范式——Vibe Coding

AI 时代的软件开发 Vibe Coding 

初涉佛学的人，往往会瞬间陷入一种深度信息过载的挫败感：有人推崇《金刚经》的空灵，有人执着于“阿弥陀佛”的简易，有人在“八识”的精密术语中迷失，而禅宗却又高喊“不立文字”。这种混乱并非佛学玄奥，而是因为它经历了一场持续2500年的“传声筒游戏”。

佛学全景地图：从认知科学视角拆解2500年的意识迷宫

读懂量子力学的大厦是如何建立的

Claude Skills 技术解析

网络审查与反审查技术的十年对抗演进史分析

技术瓶颈、商业博弈与AI驱动的未来格局

光刻机产业深度分析

Switch破解史

从宇宙尘埃到黑洞深渊的生命之旅

解谜宇宙：我们是否就是一组全息投影?

sora使用小火箭去水印配置

抛硬币、谈恋爱、看世界：你是“频率派”还是“贝叶斯派”？

概率的本质

MDR安全事件报告生成器是一个专业的安全事件管理工具，用于从Kaspersky MDR平台获取安全事件数据， 并通过AI翻译服务将英文事件描述翻译为选定的语言，最终生成格式化的HTML和PDF报告。

MDR事件报告生成器 - 使用说明

大型语言模型是通往AGI的一条死路。

为什么强化学习之父说LLM是死路一条？

EDR免杀技术攻防对抗原理

EDR后门检测原理分析

人工智能基础学习笔记-17

人工智能基础学习笔记-16

人工智能基础学习笔记-15

人工智能基础学习笔记-14

人工智能基础学习笔记-13

人工智能基础学习笔记-12

人工智能基础学习笔记-11

人工智能基础学习笔记-10

佛教到底信什么？

面向 Web 开发者的浏览器内部机制指南

现代浏览器的工作原理

人工智能基础学习笔记-9

人工智能基础学习笔记-8

人工智能基础学习笔记-7

人工智能基础学习笔记-6

人工智能基础学习笔记-5

人工智能基础学习笔记-4

人工智能基础学习笔记-3

人工智能基础学习笔记-2

人工智能基础学习笔记-1

3-2.提示词在上下文工程中的实践

3.提示词技术

理解 RAG-3

理解 RAG-2

理解 RAG-1

贝叶斯回归入门指南

人工智能基础到攻防全面指南-4

OWASP机器学习十大安全威胁深度剖析

人工智能基础到攻防全面指南-3

红队视角下的AI系统漏洞挖掘与对抗策略

人工智能基础到攻防全面指南-2

人工智能基础理论与核心要素解析

人工智能基础到攻防全面指南-1

技术分享

心情随笔

人工智能

技术文档

关于此站

思考

文字

上下文工程

Description

password

icon

date

type

slug

status

title

summary

Config

Post Board

Table

Post Gallery

整个分析流水线包含 5 个核心阶段，共计 14 次 LLM API 请求。以下是完整的交互时序图，展示了从用户发起到最终结果生成的全过程。

AI 智能分析流水线研发文档


1.1 累积上下文与分层推理 (Accumulative Context & Layered Reasoning)

2.1 交互时序图 (Interaction Sequence)

Phase 1: 认知建立与结构化 (3 Requests)

Step 1.1: Report Generation & Distillation (Parallel, 2 Requests)

Step 1.2: Structured Intelligence Extraction (1 Request)

Phase 2: 攻击链深度分析 (6 Requests)

Step 2.1: Behavior Extraction (1 Request)

Step 2.3: Attack Graph Generation (3 Requests)

Step 2.4: Integrity Reasoning (1 Request)

Phase 3: 防御工程化 (Playbook) (2 Requests)

Phase 5: 情报雷达 (Radar) (1 Request)

3.1 AI 智能分析流水线 (AI Pipeline)

3.5 攻击链可视化 (Attack Chain Visualization)

1. 后端架构: 三阶段累积推理 (Accumulative Reasoning)

3.8 智能问答助手 (Chat with Report)

5.3 超时与重试机制 (Timeout & Retry)

stephano