Context Engineering vs Knowledge Compilation

对比概述

Context Engineering 解决“这一次任务应该让模型看到什么”；Knowledge Compilation 解决“原始材料如何被转化为以后可复用的知识中间层”。前者是运行时输入工程，后者是摄取时知识工程。

核心维度对比

维度	Context Engineering	Knowledge Compilation
核心问题	当次推理需要哪些上下文	原始材料如何沉淀为稳定知识
发生时机	运行时、任务执行中	摄取时、整理时、审计时
输入	当前任务、用户问题、检索片段、工具结果	raw source、笔记、文章、论文、输出反馈
输出	模型上下文窗口中的有效材料	entity、topic、comparison、source summary
优化目标	降低噪声、避免遗漏、提高当次回答质量	避免重复理解、积累概念边界、支持未来复用
失败形态	上下文太多、太少、过期或不相关	总结化、孤立化、无证据、概念边界不清
典型机制	检索、压缩、懒加载、工具调用、prompt 组织	编译摘要、概念抽取、对比页、回填检查、lint

Context Engineering 把重点放在模型这一轮看见什么。它的目标是让模型在有限上下文窗口里拿到最相关、最少噪声、最适合当前任务的材料。

Knowledge Compilation 把重点放在知识以后如何复用。它不是把 source 摘短，而是把 source 转化为可查询、可链接、可审计、可继续演化的知识结构。

简单说：

RAG-vs-LLM-Wiki 已经说明：RAG 通常在查询时临时取回材料，LLM Wiki 则在摄取时提前编译知识。

Context Engineering 与 RAG 更接近，因为它关注运行时材料选择。但好的 LLM Wiki 也需要 Context Engineering：当用户提问时，系统仍要决定加载哪些 entity、topic、comparison 和 raw source。

Knowledge Compilation 与 LLM Wiki 更接近，因为它关注 raw 到 wiki 的结构转化。没有这一层，系统每次都要重新读原文、重新抽概念、重新判断边界。

raw source
  -> Knowledge Compilation
  -> entity / topic / comparison
  -> Context Engineering
  -> 当前回答、output 或决策 memo
  -> 回填检查
  -> 继续编译或修正 wiki

Knowledge Compilation 降低未来理解成本；Context Engineering 降低当次推理成本。一个负责长期复利，一个负责即时表现。

上下文窗口变长不等于知识结构变好。如果每次都把原文塞给模型，系统仍然没有积累概念边界、冲突标记和可复用判断。

编译不是摘要。摘要只压缩内容，编译要抽出概念、前提、局限、关系和可复用判断。一个好的 entity 页面应让以后回答问题时不用重读原文。

Wiki 页多了以后，仍然需要选择机制。否则模型会在过多页面之间迷失，或者把弱相关概念混在一起。

优先投入 Context Engineering，当：

优先投入 Knowledge Compilation，当：

成熟知识系统需要两层同时存在：编译层负责长期记忆，上下文层负责即时调度。