看了这个关于 Agentic Search for Context Engineering 的演讲，主讲人是 @helloiamleonie。演讲内容非常精彩，前半部分已经讲得很好了。主要讨论了智能体如何决定从文件、数据库、内存和网络中获取内容，以及这种选择为什么往往比模型本身更重要。她的演讲幻灯片可以在这里获取：https://github.com/iamleonie/workshop-agentic-search.git…

iamleonie/workshop-agentic-search

来源：https://github.com/iamleonie/workshop-agentic-search

工作坊：用于上下文工程的智能搜索

本工作坊讨论了用于上下文工程的不同智能搜索技术。

学习成果： 完成本工作坊后，你将能够

• 尝试在不同上下文来源中搜索上下文的不同方法
• 了解如何通过 Agent Skills 和额外的 CLI 工具扩展搜索功能
• 对不同搜索工具的权衡取舍形成直观理解

环境配置

1. 创建并激活 Python 虚拟环境

python3 -m venv .venv
source .venv/bin/activate

2. 安装依赖

本notebook使用 langchain v1.2.12 和 langchain-openai v1.1.11。

pip install -r requirements.txt

3. 配置 Elasticsearch

本工作坊使用本地 Elasticsearch 实例作为外部上下文来源之一。

在本地运行 Elasticsearch 最简单的方式是使用 start-local 脚本，它会通过 Docker 单行命令设置 Elasticsearch（可选包括 Kibana）：

curl -fsSL https://elastic.co/start-local | sh

这将创建一个 elastic-start-local 文件夹，其中包含配置文件和启动脚本。启动 Elasticsearch：

cd elastic-start-local
./start.sh

预期输出：

 ✔ Container es-local-dev          Healthy
 ✔ Container kibana-local-dev      Healthy

4. 环境变量和 API 密钥

本工作坊需要三类环境变量，需要添加到 .env 文件中（参见 .env.example）

• LLM API 密钥： 这些 notebook 通过 LiteLLM 使用 OpenAI 模型。你也可以选择任何支持工具使用的 LLM。
• Jina API 密钥： 你可以从 Jina 官方页面（https://jina.ai/api-dashboard/embedding）免费获取 Jina API 密钥，无需注册。
• Elasticsearch 凭证： 在设置本地 Elasticsearch 实例时，你将获得密码（用户名和 URL 保持不变）。

5. 数据准备

工作坊的示例基于 AI Engineer Europe 会议日程，数据位于 data 文件夹下的 session.json（下载地址：https://www.ai.engineer/europe/schedule）。

本工作坊将数据存储和文件系统作为上下文来源。要准备 Elasticsearch 数据存储和本地文件系统，请运行数据准备 notebook。

课程大纲

补充资源

• Shell 工具不是上下文工程的万能解决方案（https://www.elastic.co/search-labs/blog/search-tools-context-engineering）
• 为上下文工程构建有效的数据库检索工具（https://www.elastic.co/search-labs/blog/database-retrieval-tools-context-engineering）
• Elasticsearch 快速入门（https://www.elastic.co/docs/reference/elasticsearch/clients/python/getting-started）
• Elastic Agent Skills（https://github.com/elastic/agent-skills/tree/main）
• jina-grep CLI（https://github.com/jina-ai/jina-grep-cli）