Submitted by MartinKing1997 on 2026年04月07日 14:46

主动式上下文工程（ACE）是传统提示工程（Prompt Engineering）的进化形式，它超越了静态地向模型输入一个优化过的提示词。

ACE 的核心思想是：让 AI 智能体/模型能够主动、动态地收集、处理、选择和生成其所需的上下文（Context），从而在多步骤、复杂任务中保持一致性、准确性和深度。

1. 为什么需要 ACE？

传统的 LLM 在处理复杂或多步骤任务时面临两大挑战：

上下文窗口限制：模型的输入窗口是有限的，无法容纳执行复杂任务所需的所有信息（例如：阅读一个项目的全部代码库和白皮书）。

上下文漂移 (Context Drift)：在一个长对话或一系列任务中，模型可能会忘记早期指令或信息，导致输出偏离最初的目标。

ACE 通过赋予 AI **自我感知（Self-Awareness）、自我查询（Self-Query）和自我更新（Self-Refinement）**的能力来解决这些问题。

2. ACE 的三大核心组成部分

ACE 的工作流可以分解为三个相互关联的阶段，它们模拟了人类解决复杂问题时的思维过程：

目标：主动识别当前任务所缺乏的关键信息。

机制：AI 智能体不满足于初始提示，而是根据任务目标（Goal）和当前状态（State），主动生成额外的查询（例如：搜索查询、数据库查询、函数调用）。

实例：智能体需要评估一个 DeFi 协议的风险，它会主动查询：“该协议的合约是否经过审计？”、“近六个月的锁仓量（TVL）变化趋势如何？”。

目标：高效地管理和提取所有收集到的信息。

机制：使用RAG (Retrieval-Augmented Generation)架构，通常是向量数据库，将大量外部文档和历史对话转换为可检索的向量表示。

实例：智能体将查询到的 TVL 数据、审计报告的摘要、历史风险评估结果等存储起来。当执行下一步任务时，它能根据当前需求精确检索相关的历史信息。

目标：在每次生成输出之前，构建一个最小且最优的上下文块。

机制：智能体根据任务的当前步骤，从检索系统中选择最相关的少量信息，并结合内部推理链（Chain-of-Thought），形成一个临时的、高度优化的上下文，再喂给 LLM。

实例：在生成最终风险报告时，模型会构建这样的上下文：“目标：生成风险等级。已知信息：审计无重大漏洞，但TVL在下降 30%。”——模型基于这个动态情境，得出最终结论。

ACE 架构在 Web3 领域具有天然的优势，因为它能处理高复杂性、高风险且信息分散的任务，例如 DeFi 协议分析、链上治理决策等。

假设一个 DAO 雇佣了一个 ACE 驱动的智能体来协助其成员评估一个复杂的跨链提案。

步骤	dAgent的ACE行动	对应的ACE阶段	结果与价值
1. 接收任务	接收到 DAO 提案：“是否批准向 X 协议提供 100 万美元流动性？”	任务初始化	任务目标确立。
2. 初始查询	智能体主动生成多个查询：1. X 协议合约的 GithubRepo。2. 过去 90 天的 AUM 变化。3. 合作方 Y 的信誉。	感知与查询	确保信息全面性，弥补 DAO 提案的不足。
3. 数据处理	智能体下载 Repo 代码，并用 CodeLLM 进行初步安全分析；将 AUM 数据转化为向量并存储。	存储与检索	原始数据被转化为可查询、可引用的上下文。
4. 风险评估	智能体根据风险评估框架，从存储中检索“审计结果摘要”和“历史风险报告”，生成风险评分草稿。	动态情境生成	基于事实与框架的初稿，减少模型的臆想成分。
5. 最终报告	智能体综合风险评分草稿和最初的 DAO 提案，生成一份简洁、可追溯的建议报告，并引用其查询到的数据来源（AUM 链接、审计 Hash）。	生成最终输出	最终输出是透明且可验证的，这是 Web3 信任的关键。

在 Web3 中，ACE 赋予智能体可验证性（Verifiability）和可信赖性（Trustworthiness）：

透明度：智能体能够指出其信息的来源和推理的依据，使得 DAO 成员可以追溯和验证其结论。

深度分析：能够处理动辄数万行代码的智能合约和复杂的经济模型，这是传统提示工程无法企及的深度。

ACE 是将 AI 从一个简单的文本生成工具，转变为 Web3 中自主、可信赖的执行和决策实体的关键桥梁。