最近，国外一些很有见地的工程师，正在热议一个新的概念：Context Engineering。也许，这一概念的提出，代表了业界对于当前AI技术以及落地阶段的某种认知的转变。今天，我们就来简明扼要地讨论一下Context Engineering这一概念产生的背景、它的定义，以及它与Prompt Engineering的区别。
如何开发AI Agent，存在不同的工程体系。当前正处于群雄混战的「战国」时代。在这种「乱局」下，AI从业者如何选择，就需要更审慎的思考。
今天我们来讨论一下两个具体的开发框架，LangGraph和LlamaIndex，结合上篇我们对Agent概念本质的剖析，来做一个提纲挈领（而非细节）的对比。
市面上的AI开发框架远不止这两个，而且在Agent开发之外，LangGraph和LlamaIndex也都包含了众多其他的能力。之所以本篇我选择这两个框架进行对比，一个是因为它们都算是AI时代「老牌」的框架了，使用者广泛；另一个则是因为篇幅有限，我们需要一个一个地来聊。
从事AI的人都知道，如果你现在没有在搞Agent，出门都不好意思跟人打招呼。
但是，到底什么是Agent呢？恐怕专家们也未必说得清楚。这实在怪不到谁的头上，谁让这个概念的含义竟如此宽泛呢？
本文集中精力讨论清楚三件事：
浮言易逝，唯有文字长存。
今天来聊一个非常具体的技术问题。
对于工程师来说，当我们使用LangChain来连接一个LLM推理服务时，多多少少会碰到一个疑问：到底应该调用OpenAI还是ChatOpenAI？我发现，每次解释这个问题时，都会费很多唇舌，所以干脆写下来供更多人参考。这背后其实涉及到两个关键问题：
浮言易逝，唯有文字长存。
(今天继续聊聊AI技术)
约两周前，我用两篇文章介绍了DSPy的原理：
今天是第三篇，算是来完结一下这个话题。虽然DSPy在实用性上还存在非常多挑战，但是它的设计思想非常超前，也非常有意思。因此，现在我们结合AI领域的一些重要概念，做个思考总结。
一张琴，一壶酒，一溪云。
书接上回，接着写点技术。
在上一篇文章《浅谈DSPy和自动化提示词工程（上）》中，我们解析了一个典型DSPy优化程序的骨架代码。本篇我们继续分析两个遗留的关键问题：
隙中驹，石中火，梦中身。
周末不卷，忙里偷闲，写点技术。
如何与大模型有效地沟通，是一门艺术。
当我开车载着全家人做长途旅行时，为了打发时间，我们有时候会玩起「成语接龙」的游戏，类似这样：
海阔天空
空前绝后
后发制人
人山人海
…