Context vs Prompt：谁提供资料，谁出题裁判
如何理解上下文？ 模型在推理时只能看到输入里提供的材料，系统提示、历史对话、知识片段都算在内。本地默认的知识库示例就是“开卷资料”。
Context 工程和 Prompt 工程的 Versus 与互赖关系？ Prompt 负责告诉模型“扮演谁、按照什么格式输出”；Context 负责把事实、约束整理好让模型引用。缺少 Context，Prompt 只能空谈流程；缺少 Prompt，即便给了资料模型也可能跑偏，因此两者必须绑在一起看。
Context 工程的主要工作有哪些？
- 信息源盘点与质量评估：找出可信、最新的政策或素材。
- 检索与聚合：根据提问自动拉取并拼接合适片段。
- 压缩与过滤：去掉重复或无关内容，留下关键事实。
- 对话管理：多轮对话中保持“短期记忆”，适时淘汰过期信息。
- 监控与迭代：区分问题是出在 Prompt 还是 Context，并持续改进。
简单示例： 左侧的按钮会填入年假、物流赔付、代码审查、多模态等场景，展示同一 Prompt 在有/无上下文时的差异。可以在 System Prompt 中追加语气或步骤要求，观察两者如何协同。
调用的是 OpenAI 兼容的 /v1/chat/completions；BASE_URL 可填 https://api.openai.com/v1 或自建代理。直接在浏览器里调用会暴露 API Key 且可能触发 CORS，生产环境请改用后端代理。
⚠️ 直接在浏览器里调用模型会暴露 API Key 并受制于 CORS。仅用于本地测试或私有环境。生产环境请走后端代理。
连接设置（OpenAI 兼容 /v1/chat/completions）
先确认基础连接信息，再按需调整生成参数。支持标准 OpenAI 兼容接口与自建推理服务。
基础连接
BASE_URL（如：https://api.openai.com/v1 或 http://localhost:8000/v1）
API_KEY（Bearer）
生成参数
Model
Temperature
Top_p
偏好设置
使用流式（SSE）
保存在本地（localStorage）
上下文与问题
年假政策
报销政策
上班时间
物流赔付政策
代码审查要点
多模态安全指引
System Prompt（可选）
用户问题（Prompt）
启用 Context（自动检索 + 拼接）
显示请求体（调试用）
结果对比
有上下文（发送：背景信息 + 问题 + 可选 system）
无上下文（仅发送：问题 + 可选 system）
仅上下文（发送：背景信息，不附带问题）
观察点：
有上下文+清晰 Prompt 时，答案最稳定；只有上下文没有问题时模型无从下手；只有 Prompt 没有上下文时，模型往往凭“印象”发散作答，难以落在真实业务事实。
Context 工程负责把资料准备好，Prompt 工程负责指挥模型如何使用资料——缺一不可。