Conversation state 作者/机构：OpenAI 年份：2026 URL：https://developers.openai.com/api/docs/guides/conversation-state 角度：单次请求无状态、previous_response_id、多轮上下文维护 采用原因：适合支撑“模型上下文并非天然存在，而是系统显式维护出来”。
Text generation 作者/机构：OpenAI 年份：2026 URL：https://developers.openai.com/api/docs/guides/text 角度：instructions、message roles、请求边界 采用原因：适合支撑“输入不是原始聊天文本，而是被角色化与边界化后的请求对象”。
Using the Messages API 作者/机构：Anthropic 年份：2026 URL：https://platform.claude.com/docs/en/build-with-claude/working-with-messages 角度：stateless messages、synthetic assistant messages 采用原因：适合支撑“多轮输入依赖系统重组历史，而非模型自行记住一切”。
Define tools 作者/机构：Anthropic 年份：2026 URL：https://platform.claude.com/docs/en/agents-and-tools/tool-use/define-tools 角度：tool schemas、system prompt compilation 采用原因：适合支撑“模型看到的上下文包含系统拼装后的工具定义与约束”。
Context windows 作者/机构：Anthropic 年份：2026 URL：https://platform.claude.com/docs/en/build-with-claude/context-windows 角度：上下文窗口、thinking block 剥离、可见 token 管理 采用原因：适合支撑“可见上下文会被系统主动裁剪和重组”。
Text generation 作者/机构：Google Gemini API 年份：2026 URL：https://ai.google.dev/gemini-api/docs/text-generation 角度：history、system_instruction、curated history 采用原因：适合支撑“输入历史是 curated 的，不是原始会话的简单拼接”。
Work with chat completion models 作者/机构：Microsoft 年份：2026 URL：https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/chatgpt 角度：每次请求显式携带 transcript 采用原因：适合支撑“模型请求层通常是无状态的，系统要负责送入哪段历史”。
Compaction 作者/机构：Microsoft Agent Framework 年份：2026 URL：https://learn.microsoft.com/en-us/agent-framework/agents/conversations/compaction 角度：remove、collapse、summarize、保留 system messages 采用原因：适合支撑“输入压缩是会话工程的一部分，不只是成本优化”。
Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks 作者/机构：Patrick Lewis 等 年份：2020 URL：https://papers.neurips.cc/paper_files/paper/2020/hash/6b493230205f780e1bc26945df7481e5-Abstract.html 角度：RAG、外部知识检索、参数记忆与非参数记忆结合 采用原因：适合支撑“模型效果取决于被送入的外部证据，而不只取决于参数本体”。
Dense Passage Retrieval for Open-Domain Question Answering 作者/机构：Vladimir Karpukhin 等 年份：2020 URL：https://aclanthology.org/2020.emnlp-main.550/ 角度：dense retriever、passage 切分、top-k 检索质量 采用原因：适合支撑“检索器选择和切片粒度会改变模型后续看到的内容质量”。
Retrieval meets Long Context Large Language Models 作者/机构：Peng Xu 等 年份：2024 URL：https://proceedings.iclr.cc/paper_files/paper/2024/hash/d75f29006df67df084e6586f1cb8458c-Abstract-Conference.html 角度：长上下文与检索的互补关系 采用原因：适合支撑“即便上下文窗口变长，检索和输入筛选仍然决定性能”。
RankRAG: Unifying Context Ranking with Retrieval-Augmented Generation in LLMs 作者/机构：Yue Yu 等 年份：2024 URL：https://papers.neurips.cc/paper_files/paper/2024/file/db93ccb6cf392f352570dd5af0a223d3-Paper-Conference.pdf 角度：context ranking、reranking、top-k 噪声控制 采用原因：适合支撑“不是检到就够，排序决定真正进入上下文的证据质量”。
RECOMP: Improving Retrieval-Augmented LMs with Context Compression and Selective Augmentation 作者/机构：Fangyuan Xu、Weijia Shi、Eunsol Choi 年份：2024 URL：https://openreview.net/forum?id=mlJLVigNHp 角度：context compression、selective augmentation、空摘要策略 采用原因：适合支撑“清洗输入到模型可见上下文之间还存在压缩与过滤这一层关键转换”。
Searching for Best Practices in Retrieval-Augmented Generation 作者/机构：Xiaohua Wang 等 年份：2024 URL：https://aclanthology.org/2024.emnlp-main.981.pdf 角度：query processing、retrieval、reranking、repacking、summarization 的系统比较 采用原因：适合支撑“输入契约是整条 RAG pipeline 的联合产物”。
Lost in the Middle: How Language Models Use Long Contexts 作者/机构：Nelson F. Liu 等 年份：2024 URL：https://aclanthology.org/2024.tacl-1.9/ 角度：上下文位置偏置、长上下文信息利用退化 采用原因：适合支撑“信息放在哪里，与放不放一样重要”。
Context Length Alone Hurts LLM Performance Despite Perfect Retrieval 作者/机构：ACL Findings 论文作者团队 年份：2025 URL：https://aclanthology.org/2025.findings-emnlp.1264/ 角度：长上下文长度本身带来的性能退化 采用原因：适合支撑“把更多 token 塞进去不等于更高质量输入”。
LongLLMLingua: Accelerating and Enhancing LLMs in Long Context Scenarios via Prompt Compression 作者/机构：Yuxiang Hu 等 年份：2024 URL：https://aclanthology.org/2024.acl-long.91/ 角度：prompt compression、长上下文压缩 采用原因：适合支撑“压缩本身是输入契约的重要组成，而不是单纯降本技巧”。
Trafilatura: A Web Scraping Library and Command-Line Tool for Text Discovery and Extraction 作者/机构：Adrien Barbaresi 年份：2021 URL：https://aclanthology.org/2021.acl-demo.15/ 角度：网页正文抽取、模板噪声移除、元数据保留 采用原因：适合支撑“原始网页不能直接作为模型输入，必须先做解析和清洗”。
DocLLM: A Layout-Aware Generative Language Model for Multimodal Document Understanding 作者/机构：Dongsheng Wang 等 年份：2024 URL：https://aclanthology.org/2024.acl-long.463/ 角度：版面感知文档理解、布局与文本联合建模 采用原因：适合支撑“文档输入不仅是文本问题，还涉及结构与版面信息重建”。
Parse and chunk documents 作者/机构：Google Cloud 年份：2026 URL：https://cloud.google.com/generative-ai-app-builder/docs/parse-chunk-documents 角度：layout parsing、chunking、返回相关 chunks 而非整份文档 采用原因：适合支撑“生产系统会先解析和切块，再把相关片段提供给模型”。
Build advanced retrieval-augmented generation systems 作者/机构：Microsoft 年份：2026 URL：https://learn.microsoft.com/en-us/azure/developer/ai/advanced-retrieval-augmented-generation 角度：ingestion pipeline、metadata extraction、post-retrieval filtering、prompt compression 采用原因：适合支撑“原始输入到模型可见上下文之间存在完整工程管线”。
Introducing Contextual Retrieval 作者/机构：Anthropic 年份：2024 URL：https://www.anthropic.com/engineering/contextual-retrieval 角度：contextual chunk、BM25 + embeddings、reranking 采用原因：适合支撑“chunk 需要被上下文化后，才更接近模型真正可用的输入单元”。
Effective context engineering for AI agents 作者/机构：Anthropic 年份：2025 URL：https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents 角度：just-in-time retrieval、compaction、structured note-taking、context rot 采用原因：适合支撑“输入工程已经从 prompt engineering 延伸为完整 context engineering”。
How we built enterprise search to be secure and private 作者/机构：Slack Engineering 年份：2025 URL：https://slack.engineering/how-we-built-enterprise-search-to-be-secure-and-private/ 角度：ACL 权限过滤、联邦检索、安全私有企业搜索 采用原因：适合支撑“企业输入首先受权限与数据治理约束，而不是先受模型能力约束”。
How Cody understands your codebase 作者/机构：Sourcegraph 年份：2024 URL：https://sourcegraph.com/blog/how-cody-understands-your-codebase 角度：query cleansing、代码检索、排序、上下文选片 采用原因：适合支撑“编码 Agent 的输入是工程化构造出来的代码上下文，而非原始仓库全量文本”。
Lessons from Building AI Coding Assistants: Context Retrieval and Evaluation 作者/机构：Sourcegraph 年份：2025 URL：https://sourcegraph.com/blog/lessons-from-building-ai-coding-assistants-context-retrieval-and-evaluation 角度：多源召回、ranking、evaluation 采用原因：适合支撑“高质量上下文来自 observation sources 的聚合与筛选，而非单源直接注入”。
Not what you've signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection 作者/机构：Kai Greshake 等 年份：2023 URL：https://arxiv.org/abs/2302.12173 角度：间接提示注入、外部内容污染 采用原因：适合支撑“输入契约失守会把外部恶意内容混入模型决策层”。
Formalizing and Benchmarking Prompt Injection Attacks and Defenses 作者/机构：Yupei Liu 等 年份：2024 URL：https://www.usenix.org/conference/usenixsecurity24/presentation/liu-yupei 角度：prompt injection 攻防形式化与基准 采用原因：适合支撑“数据与指令边界不清，会直接演化为系统性安全风险”。
AgentPoison: Red-teaming LLM Agents via Memory or Knowledge Base Poisoning 作者/机构：研究团队 年份：2024 URL：https://arxiv.org/abs/2407.12784 角度：memory poisoning、knowledge base poisoning 采用原因：适合支撑“输入污染并不止于单轮上下文，还会跨轮侵入记忆与知识库”。
Prompt injection is not SQL injection 作者/机构：NCSC 年份：2025 URL：https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection 角度：prompt injection 风险建模、可信边界 采用原因：适合支撑“Agent 输入安全的对象不是单条提示，而是整个内容摄入链路”。
附录 G：分章资料清单