经管之家App
让优质教育人人可得
立即打开
所有RAG系统，都依托单次大模型调用，堆叠三大核心工程层级搭建而成。
提示工程：定义大模型调用本身，包含系统指令、任务规则、约束输出格式的结构化范式。
上下文工程：填充模型上下文窗口的全部内容，涵盖检索、内容压缩、无效信息过滤等核心操作。
循环工程：大模型调用的外围控制逻辑，包含二次调用触发条件、循环终止规则、校验失败后的系统自愈机制。
绝大多数RAG相关争议与困惑，本质都是混淆了问题所属的工程层级。只要明确问题归属，绝大多数技术疑点都会迎刃而解。本文将完整拆解三大层级的权责边界、与本系列技术体系的对应关系，并纠正一个普遍误区：行业流传的「逐层迭代替代」演进逻辑，仅有一半属实。
本文是《企业文档智能》系列的核心纲领性文章。该系列基于四大核心模块搭建企业级RAG系统，而本文将结合2026年行业主流的三层架构体系，解答核心问题：三层架构的迭代并非简单的顺序更替，而是对早已存在的技术模式的事后归纳与命名。
📓 本系列配套开源笔记已上传GitHub：doc-intel/notebooks-vol1。所有笔记均可基于真实PDF文档，端到端复现四大模块能力，直观展示三层工程的运行逻辑：规范输出形态的提示层、由问题解析与检索内容组装而成的上下文层、校验失败后自动重试的循环层。
单次大模型调用之上，堆叠三大独立工程体系，各自掌控不同的技术抓手，共同支撑生产级RAG系统脱离入门Demo，实现稳定落地。
提示工程是开发者接触的首个层级。通过系统指令定义模型身份与约束、用户指令承载具体问题与上下文、可选的结构化范式固定输出格式。精准完善的提示设计，能让模型严格遵循规则执行任务，而非自由发挥、随机输出。
该技术体系在2022–2023年随GPT-3.5、ChatGPT普及成型，「提示工程」一词也同步成为行业通用概念。
上下文工程是提示工程无法解决复杂问题后的进阶体系。大模型的上下文窗口容量有限，开发者需要自主决策窗口内的留存内容：通过检索筛选有效文档、通过压缩剔除冗余噪声、通过隔离避免子任务输出干扰主任务窗口。
LangChain 提出的四大核心策略（写入、筛选、压缩、隔离），精准归纳了自RAG论文问世以来，行业默认遵循的上下文处理逻辑。2025年该概念正式普及：Karpathy、Tobi Lütke 公开提及该术语，Anthropic 发布行业标杆文章《AI智能体高效上下文工程》，正式确立其行业地位。
循环工程是单次大模型调用无法满足生产需求后的高阶体系。模型输出看似合理但不符合格式规范、检索结果完整但模型自主判定答案残缺、接口请求超时、智能体调用工具出错……面对这类问题，开发者需要掌控四大核心控制维度：二次调用触发条件、循环终止时机、调用失败自愈方案、结果交付前的跨智能体核验机制。
2026年5月，Boris Cherny 提出经典观点「我不再手动给Claude写提示词，而是通过循环调度自动调用Claude」，十天后 Anthropic 推出动态工作流能力，标志着「循环工程」正式成为行业标准术语。
行业普遍认知的演进逻辑：提示工程 → 上下文工程 → 循环工程，即上一层技术瓶颈饱和后，才会迭代出新层级。这套叙事简洁流畅，但并不完全准确。
三大层级对应的技术模式，在专属术语诞生前就已长期存在。
2022年10月普林斯顿大学与谷歌联合推出的 ReAct 框架，是推理+行动循环的经典范式，比「循环工程」术语早三年以上；2023年3月 AutoGPT 实现公开的自主目标驱动循环；2023年 NeurIPS 会议的反射机制（Reflexion）实现模型自我校验；2025年7月 Geoffrey Huntley 提出的 Ralph 循环实现持久化目标存储。直至2026年5月循环工程定名时，相关技术模式已在生产环境落地三年以上。
上下文工程同理。2020年Lewis等人发表的初代RAG论文，远早于提示工程的诞生；2022年，所有成熟大模型应用都已具备完整的上下文管理能力（分块、检索、去重、截断），只是彼时尚未被定义为「上下文工程」。LangChain 的四大策略体系，只是对过去四年生产级RAG系统隐性实践的系统化总结。
客观事实是：大模型时代初期，三大层级的技术逻辑就已并存。四年行业迭代的核心变化，是生产环境的核心瓶颈持续转移。
当提示词质量是核心瓶颈时，无人关注循环逻辑；当上下文管理缺陷成为主要问题时，LangChain 上下文策略体系正式成型；当多轮对话的智能体稳定性成为最大痛点时，Anthropic 动态工作流体系应运而生。
「技术逐层演进」只是美观的汇报叙事，「瓶颈持续迁移」才是行业真实的迭代逻辑。
三大核心力量，推动RAG工程的核心瓶颈逐层上移。
1. 大模型能力持续迭代
新一代模型对人工提示工程的依赖持续降低：GPT-4 可精准执行 GPT-3 忽略的指令，Claude 3.5 可直接输出合规JSON格式，无需人工修饰。提示工程并未消失，只是不再是性能瓶颈。未来模型更长的有效上下文、更低的上下文衰减、原生多文档推理能力，将大幅弱化现有上下文工程的工作量，让行业瓶颈进一步上移。
2. 上下文窗口容量爆发式增长
2023年初主流模型仅4K上下文窗口，同年 Claude 2 实现100K窗口，2024年 Gemini 1.5 突破百万Token窗口，2026年百万级窗口已成为标配。
超大窗口并非万能，模型存在严重的「上下文衰减」问题，实际有效检索范围远小于标称容量。这彻底改变了上下文工程的核心目标：从「如何塞满窗口、容纳更多内容」转变为「如何筛选优质内容、剔除无效信息，保证模型精准检索关键信息」，瓶颈从「内容压缩」转向「内容精选」，恰好对应上下文工程的筛选、隔离策略。
3. 任务运行链路持续变长
2022年的RAG场景多为单次问答、即时结束；2026年的生产级智能体可连续运行40轮、持续6小时，支持多子智能体分布式执行、结果聚合合成。
短单次任务无需循环调度逻辑，自然不存在循环工程需求；而超长链路、多轮迭代的复杂任务，完全依赖循环工程保障稳定性。瓶颈迁移的核心，不是技术变了，而是业务场景复杂度迭代升级。
三大力量协同作用：模型能力升级弱化底层层级压力、超大窗口重构上下文工程核心目标、长链路任务催生全新的循环工程层级。行业术语的迭代更替，本质是生产环境核心痛点的迁移，而非技术体系的简单升级。
三层架构的核心价值，是明确各层级的权责边界，每一层仅解决一类核心问题。
第一层：提示工程｜单次模型调用的输入管控
覆盖单次调用的全部输入内容：系统指令、用户提问、输出范式、工具定义、本轮对话历史。核心解决三大问题：如何定义模型身份、如何设置约束保障答案可靠、如何规范输出结构。该层级技术成熟、边界清晰，是所有RAG的基础。
第二层：上下文工程｜调用之间的窗口内容管控
负责管控模型上下文窗口的内容进出，LangChain 四大策略完整定义其能力边界：
写入：固定不变的缓存前缀内容（系统提示、工具定义等，多轮对话保持不变）；
筛选：检索与记忆召回，从海量数据中筛选本轮任务的有效信息；
压缩：内容摘要、紧凑处理、工具级截断，避免内容溢出窗口；
隔离：子智能体独立窗口运行、外部工具持久化存储状态、中间结果不侵入主上下文。
四大策略可自由组合，完整覆盖生产环境上下文工程的全部落地场景。
第三层：循环工程｜多轮调用的全流程调度管控
核心负责二次调用触发、循环终止、故障自愈、结果核验交付四大维度：触发规则（满足何种条件启动下一轮调用）、终止规则（完成即终止/达到资源上限终止/无有效信息终止）、自愈方案（退避重试、升级大模型、人工介入、跳过异常数据继续执行）、对抗核验（通过独立智能体反向校验答案真伪）。
明确层级边界的核心意义：各层级的故障形态、排查方式完全不同。
提示层故障：显性报错，模型输出明显偏离预期、逻辑混乱；
上下文层故障：隐性故障，答案流畅通顺，但因上下文失真导致结果错误；
循环层故障：高成本故障，无效循环重复执行、消耗大量Token资源、最终超时失败。
三类故障需要完全不同的排查方案，若笼统将RAG视为黑盒，所有问题都无法高效解决。
关于调度工程的补充说明：部分开发者会拆分出第四层「调度工程」，指代上下文与循环之间的执行环境，包含工具调用、安全围栏、结果核验、跨会话记忆。在三层架构体系中，这些能力并非缺失，而是被拆分融入对应层级：工具与记忆能力归属上下文工程的隔离策略，核验与自愈能力归属循环工程。本系列M6文章将单独详解调度工程，将四大核心模块定义为独立调度单元。三层、四层架构仅为拆解视角不同，而非技术理念冲突。
2026年循环工程体系已定型：七大基础范式 + 一条核心准则。其中六大范式来自2026年5月Anthropic动态工作流更新，退避重试范式为通用经典能力；核心准则为行业通用落地经验，早于所有范式命名。
七大范式并非固定执行流程，而是标准化技术词汇。生产级循环通常会组合2–3种范式实现复杂能力：多子智能体并行分发任务、通过对抗校验核验共识答案、基于完成度判断终止循环、瞬时故障自动退避重试。范式组合应用，是循环工程的核心落地逻辑；范式命名，是团队高效协作沟通的统一语言。
贯穿所有循环的核心黄金法则：每一次重试迭代，必须带来有效改变。
同一故障、同一参数的重复重试，不会产生任何学习效果，只会造成无效空转。有效改变分为三类：调整输入载荷（扩大检索范围）、升级模型规格（小模型失败后切换大模型重试）、更换执行策略（关键词检索失效后，改用向量稠密检索）。无任何变更的重试，是循环工程最典型的资源浪费场景。
生产级循环的核心，不在于堆砌范式，而在于根据场景精准组合2–3种适配范式，并严格遵循「每次迭代必有优化」的核心准则。
三层架构体系本身预示了自身的迭代终点：当下层工程体系逐步成熟、瓶颈消除后，行业焦点必然继续上移，诞生全新的第四层工程体系。
目前第四层级已出现非正式概念，尚未形成行业统一标准：
技能工程（Skill Engineering）：源自Anthropic 2025年末智能体技能体系，聚焦智能体运行时的能力调度；
记忆工程（Memory Engineering）：聚焦跨会话持久化状态存储，包含项目规范、历史决策、用户偏好等长效信息；
目标工程（Goal Engineering）：聚焦长周期任务目标维持，对应Anthropic目标指令、OpenAI Codex CLI同类能力；
工具目录工程：聚焦元调度能力，让智能体自主匹配、启用本轮任务所需的工具集。
目前无法确定哪一个概念会成为统一的第四层标准，但结合前三层的演进规律，率先成为生产环境核心瓶颈的方向，将成为下一代行业通用工程体系。前文提到的三大迭代驱动力，将继续推动行业技术升级。
2026年开发者的最优落地思路：不必执着于概念名词，重点精准识别当前系统的核心瓶颈。
模型输出明显错乱 → 瓶颈：提示工程；
答案流畅但结果错误 → 瓶颈：上下文工程；
循环重复空转、资源浪费 → 瓶颈：循环工程；
智能体遗忘跨会话核心信息 → 瓶颈：已超越循环工程，进入下一代未知层级。
以下为《企业文档智能》全系列文章完整图谱，按阅读顺序排列，并标注每篇文章对应的核心工程层级。完整覆盖全系列技术规划，无需额外文档即可掌握全貌。
注：实际开发中，三层层级并非严格顺序执行（第二部分模块会先完成上下文处理，再通过提示工程实现生成输出），三层架构是技术复盘与问题定位的分析视角，而非开发时序。
1. 极简RAG入门：百行代码实现PDF输入、高亮答案输出，无向量库、无第三方框架，微型复刻四大模块完整循环逻辑
2. 嵌入向量并非万能：解析向量检索的固有故障，说明主题相似度不等于问答关联度
2bis. 重排序模型并非万能：阐明交叉编码器重排序的适用场景与冗余场景
3. RAG不属于机器学习：解释机器学习工具为何不适用于检索+生成的RAG系统核心问题
4. 技术适配场景指南：从正则匹配到视觉大模型，梳理各类RAG技术的精准适配场景
4bis. 十大常见RAG误区：总结本系列重点解决的生产环境高频故障
文档解析模块（上下文工程）
5A. PDF双层结构逻辑：文本层与结构层，解析默认文本提取丢失的RAG核心质量信息
5B. 关系型数据模型：PDF结构化转换方案，替代传统扁平化文本输出
5bis. Azure布局解析：PyMuPDF解析失效时，通过Azure服务精准解析复杂表格
5ter. Docling本地解析：本地离线解析富文本表格，无需云端上传
5quater. 视觉大模型解析：通过视觉能力识别文本解析器无法读取的图表、示意图
5quinquies. EasyOCR扫描件解析：扫描版PDF的OCR处理，区分纯文字提取与结构化文档解析
5sexies. 图片可检索优化：实现PDF图片内容可检索，无需全量解析
5septies. 目录重构：修复PDF缺失的目录结构，实现按章节精准检索
5octies. 目录循环解析：将目录重构升级为自上而下的迭代循环逻辑（循环工程）
5nonies. 智能体自适应解析：流水线根据页面类型，自主选择最优解析器（循环工程）
问题解析模块（上下文工程）
6A. 优先问题解析：补齐绝大多数RAG流水线缺失的前置步骤，检索前结构化梳理用户问题
6B. 问题五维提取法：拆解关键词、检索范围、输出形态、问题拆解、模糊澄清五大核心字段
6C. 解析问题调度：基于结构化问题，制定分块策略、模型规格、片段筛选、审计规则四大调度方案
6bis. 模糊问题智能澄清：单次澄清疑问，沉淀默认规则，避免重复提问
6ter. 问题解析隐性核心要点：行业教程普遍忽略的关键落地细节
6quater. 问题解析上下文工程：结构化问题字段，精准指导检索与生成逻辑
6quinquies. 问题解析前置循环：检索启动前的小型校验迭代循环（循环工程）
检索模块（上下文工程为主，部分循环工程）
7A. 检索的本质是过滤：重构认知，检索是缩小范围而非宽泛匹配索引
7B. 锚点检测：关键词、向量、目录多信号并行匹配，大模型最终仲裁
7C. 大模型仲裁机制：模型自主筛选最优页面并输出决策依据
7bis. 上下文工程核心：定义答案生成依赖的四大结构化输入
7ter. 检索隐性核心要点：纠正余弦相似度的过度神化误区
7quater. 层级化检索：基于文档目录的长文本迭代检索（循环工程）
7quinquies. 检索杜绝幻觉：通过精准检索，从源头限制模型虚构空间
7sexies. 表格行级检索：精准匹配宽幅表格中的目标数据行
生成模块（提示工程为主，收尾循环工程）
8A. 结构化答案契约：通过范式约束，杜绝自由文本输出，从根源防幻觉
8B. 提示词组装：基于基础模板+问题专属规则，动态拼接最优生成提示词
8C. 答案校验：输出前校验文本片段与引用来源，通过反馈循环优化结果
8bis. 单次/多次生成策略：区分单次生成足够场景与多轮迭代优化场景（循环工程）
8ter. 结构化生成范式：适配契约约束的标准化生成模式
8quater. 模型级联调度：低成本本地模型优先、复杂任务升级旗舰模型（循环工程）
9A. 生产级完整流水线：整合四大升级模块，实现结构化解析→目录检索→结构化答案全链路
9B. 多文档适配验证：同一流水线适配四类差异极大的真实文档
9bis. 检索错误自愈：检索匹配错误后，拦截故障并自动修复，避免错误流入生成环节
9ter. 模型成本调度：简单问题适配低成本模型，控制资源消耗
10A. 级联升级解析：自适应解析策略，简单页面轻量解析、复杂页面启用高阶解析器
10B. 级联升级落地案例：扁平化表格升级Azure解析、示意图升级视觉模型解析的完整流程
11. 交叉引用解析：自动定位文档引用章节，而非仅返回引用标识
12. 批量列表问答：匹配全部有效片段，而非仅返回最优结果
13. 工作流调度器：智能判断循环启动与终止时机
13bis. 流水线循环工程：显性定义复合调度流水线的循环控制逻辑
14. 语料库核心问题：解析简易RAG在海量归档文档中的失效原因（上下文工程）
15. 语料库预处理：文件夹PDF批量转化为可检索结构化语料库（上下文工程）
16. 语料库本体构建：企业RAG所需的标签体系与关联关系，替代传统知识图谱（上下文工程）
17. 语料库查询逻辑：SQL过滤优先、检索为辅的多文档批量查询（上下文工程）
17bis. 语料库级问题澄清循环：将单文档澄清逻辑升级适配海量语料（循环工程）
17ter. 语料库上下文工程：多文档场景下的上下文管理体系升级（上下文工程）
17quater. 语料库循环工程：海量文档场景下的迭代调度体系升级（循环工程）
18. 代码架构：模块化拆解四大模块的工程代码结构
19. 存储方案：长文本结构化存储、可回放工程资产，含范式迁移、存储图谱配套方案
20. 评估体系：按故障类型拆分评估维度，替代单一综合得分
21. 成本与延迟优化：流水线迭代过程中的资源与耗时管控
22. 安全体系：语料库的权限管控与数据安全防护
B01. 拼写纠错：预处理清理OCR与人工输入错别字噪声
B02. FAQ适配RAG：将现有FAQ库转化为检索语料
B03. 可控拒答机制：带证据支撑的合规「未知答案」输出
B04. PDF表格深度解析：复杂表格解析专项技术拆解
B05. 模型选型指南：各模块场景的最优模型匹配方案
B06. 调度架构详解：完整的智能体调度范式落地
B07. 仿真测试：基于真实调用特征的模拟测试方案
B08. 简历解析基准测试：基于真实简历的解析器性能测评
B10-B12. 本地部署方案：Ollama本地大模型、本地向量嵌入、本地模型性能基准测试
M1. 专家赋能理念：系列核心思想，AI放大专家能力而非替代专家
M3. 逐篇隐性核心要点：汇总系列所有创新技术观点
M4. 十大行业突破点：本系列区别于主流RAG教程的核心创新
M5. 记忆与计算优势：AI不超越专家推理，仅超越人类记忆与计算上限
M6. RAG调度工程：全新视角解读系统，将四大模块定义为独立调度单元，模型为调度框架内的单次调用能力
统一技术词汇的核心价值是提升团队沟通效率，而非机械套用清单。精准说出「此处需要对抗核验」，远优于「答案偶尔不准」。概念是工具，不是教条。机械堆砌所有循环范式的项目，往往落地效果最差；优秀团队会按需适配场景，精准选用2–3种最优范式。
提示、上下文、循环三层架构，是贯穿本系列所有技术内容的核心分析框架。全文完整梳理了三层架构对应的所有系列文章，精准定位每一项优化的核心归属层级，帮助开发者快速定位问题、精准迭代。
行业逐层迭代的叙事存在误导性：三大层级的技术模式自大模型时代初期就已并存，术语的顺序诞生，仅代表各层级依次成为生产核心瓶颈。模型能力升级弱化了提示工程难度、超大窗口重构了上下文工程逻辑、长链路任务催生了全新的循环工程体系。
三层架构既是稳定的RAG工程落地方法论，也是2026年行业技术瓶颈的真实快照。未来新的工程层级，也将在新的瓶颈出现后被正式定义。
生产落地最优思路：将三层架构作为问题分诊工具。输出错乱查提示、流畅错误查上下文、空转超时查循环、跨会话遗忘等待下一代技术体系。不必拘泥于概念名词，精准识别当下系统的核心瓶颈，才是最高效的迭代方式。
扫码加好友，拉您进群
全部版块
我的主页
收藏
