Informational Context 是 Context Engineering 中至关重要的一环，而其核心挑战不在于"多"，而在于"准"。为了解决 long context 带来的高成本、低性能和差效果问题，RAG 成为了最不可或缺的技术手段。随着 Context Engineering 场景大规模落地，RAG 也在快速演进。

当下的 AI 应用通过超前的体验快速获取用户和数据，再通过离线分析和模型训练将数据转化为壁垒，形成完整的数据生命周期闭环。在这个过程中，RAG 面临的挑战已经从简单的"搜相似"升级为：如何低成本支撑大规模多租户？如何通过复杂搜索策略提升精度？如何处理海量多模态数据？如何与数据生态深度耦合？过去一年里，我们围绕“非结构化数据湖仓一体”持续探索，并在大规模应用中沉淀出一系列可复用的实践与教训。本次分享将对相关关键问题、取舍与解法进行系统梳理。

演讲提纲：

1. Context Engineering & RAG
   • Context Engineering 的三大类型：Guiding、Informational、Actionable
   • Informational Context 的核心矛盾：质量 vs 数量
   • RAG 在其中的定位与演进：从向量搜索、GraphRAG 等
2. 如何保证 Context 的质而非量
   • 过滤搜索、混合搜索（多向量搜索、关键词检索）、ColBERT 等技术思路
   • 聚合搜索、迭代式搜索等新式的搜索方法
3. Context Engineering 在线场景
   • 多租户问题简述，有什么样的挑战
   • 如何在写入和查询放大间取得平衡
   • 如何在海量数据下平衡性能和成本
   • 多租户场景下有怎样的功能需求，该如何满足
4. 湖仓一体如何闭环非结构化数据的生命周期
   • 非结构化数据的生命周期简述，包括在线服务，Data Mining 和 Model Training
   • 场景的需求和技术的挑战，以及如何解决这些的问题

听众收益：

• 理解RAG在新一代AI应用中的核心作用和技术演进趋势
• 掌握通过真实场景总结出的非结构化数据生命周期管理方法