context-engineering-collection

用于上下文工程的 Agent Skills

本集合提供结构化指导，帮助通过有效的上下文工程构建可用于生产环境的 AI Agent 系统。

何时启用

在以下情况下启用这些技能：

• 从头开始构建新的 Agent 系统
• 优化现有 Agent 的性能
• 调试与上下文相关的故障
• 设计多 Agent 架构
• 为 Agent 创建或评估工具
• 实现记忆和持久化层
• 设计自主研究或评估测试框架

技能地图

上下文工程基础

理解上下文基础知识 上下文不仅仅是提示词文本，它是推理时大模型可用的完整状态，包括系统指令、工具定义、检索到的文档、消息历史记录和工具输出。有效的上下文工程意味着要了解当前任务真正需要哪些信息，并整理这些信息，以实现最高的信噪比。

识别上下文退化 随着上下文不断增长，大模型会呈现可预测的退化模式：信息位于上下文中间时受到的关注较少的“中间丢失”现象；优先关注开头和结尾的 U 形注意力曲线；错误不断累积导致的上下文污染；以及无关信息淹没相关内容时出现的上下文干扰。

架构模式

多 Agent 协调 生产级多 Agent 系统主要采用三种模式：集中控制的主管/编排器架构、支持灵活交接的点对点蜂群架构，以及用于复杂任务分解的层级结构。关键在于，子 Agent 的主要作用是隔离上下文，而非模拟组织角色。

长时程提示词 长时间运行的自主 Agent 和并行编排的成败取决于启动提示词。伪形式化任务说明会明确成功谓词、不计入的结果、带审计门控返回条件的持久化规则、最低工作量、并行组合的多样性策略，以及污染防护；对于没有可由机器检查的成功条件的问题，以语言形式应用形式化验证的严谨性。在编排运行中，每个工作单元都会返回一份包含具名检查项的输出契约，只有有证据支持的违规项才会阻止返回。

记忆系统设计 记忆架构从简单的草稿本到复杂的时序知识图谱不等。向量 RAG 可提供语义检索，但会丢失关系信息。知识图谱能保留结构，但需要更多工程投入。将文件系统用作记忆的模式支持按需加载上下文，无需将上下文塞满窗口。

基于文件系统的上下文 文件系统提供统一接口，用于存储、检索和更新实际上不受限制的上下文。关键模式包括：用于卸载工具输出的草稿区、用于长时程任务的计划持久化、通过共享文件进行子 Agent 通信，以及动态加载技能。Agent 使用 ls、glob、grep 和 read_file 有针对性地发现上下文；对于结构化查询，这种方式往往优于语义搜索。

托管 Agent 基础设施 后台编码 Agent 在远程沙盒环境中运行，而非本地机器上。关键模式包括：按固定周期刷新的预构建环境镜像、可即时启动会话的热沙盒池、用于会话持久化的文件系统快照，以及支持协作式 Agent 会话的多人协作功能。关键优化包括：允许在 git 同步完成前读取文件（仅阻止写入）、在用户开始输入时预测性预热沙盒，以及让 Agent 自行启动其他 Agent 并行执行任务。

工具设计原则 工具是确定性系统与非确定性 Agent 之间的契约。有效的工具设计遵循整合原则（优先选择功能全面的单一工具，而非多个狭窄工具），在错误中返回上下文信息，支持响应格式选项以提高令牌效率，并采用清晰的命名空间。

卓越运营

上下文压缩 当 Agent 会话耗尽内存时，压缩就变得不可或缺。正确的优化目标是每项任务的令牌数，而非每次请求的令牌数。采用明确划分文件、决策和后续步骤的结构化摘要，比激进压缩更能保留有用信息。在所有压缩方法中，产物链路完整性仍是最薄弱的一环。

上下文优化 相关技术包括上下文压缩（接近上限时对上下文进行摘要）、观察结果屏蔽（用引用替代冗长的工具输出）、前缀缓存（在多个请求间复用 KV 块），以及策略性上下文划分（将工作拆分给具有独立上下文的子 Agent）。

自管理上下文 由模型而非框架决定哪些内容保留在其实时上下文中：可编辑区域以文件形式呈现，模型使用代码工具重写该文件，并在每轮重新解析。框架负责维持不变量（固定的系统提示词和任务前缀、角色折叠、编辑门控、回执、确定性预算读数、溢出时回滚）。在前缀缓存下，编辑成本随编辑位置之后的文本量增加，因此应批量编辑，并考虑文本尾部的位置；可通过指令引导策略、将其发展为技能，或通过成功门控的效率奖励进行训练。

潜在简报（KV 记忆共享） 当监督者积累了很长的执行轨迹、而工作者只能看到狭窄的文本片段时，编排器-工作者系统可能会增加令牌消耗。潜在简报使用任务引导的注意力（类似 Attention Matching 的压缩）在工作者模型的 KV 缓存中压缩编排器轨迹，使工作者无需重放完整文本，就能获得相关的潜在状态；前提是技术栈能够访问工作者的 KV 状态，且模型彼此兼容。

评估框架 生产环境中的 Agent 评估需要确定性检查，以及涵盖事实准确性、完整性、工具效率和流程质量的多维评分标准。只有在结构、证据和评分标准计算均有效后，才使用模型评审；评审设计、成对比较和偏差缓解应归入“高级评估”。

框架工程 可靠的自主 Agent 需要围绕模型设置明确的运行循环：锁定指标、可编辑界面、持久化日志、新颖性检查、回滚规则和人工审批边界。框架可以防止 Agent 弱化评估器、在上下文压缩时丢失状态，或把含糊目标转化为无法审查的更改。

自我改进循环 当框架本身成为优化目标时，就需要采用不同的方法：递归式自我改进、元框架搜索、由失败驱动的有界自编辑、进化式支架搜索，以及上下文机制演化。关键约束包括基于经验的双划分验收门槛、包含原始轨迹的文件系统经验档案、在所有可编辑界面之外强制执行的运行时约束，以及防止崩溃的多样性保留机制。

开发方法论

项目开发 高效的大模型项目开发始于任务与模型适配性分析：先通过手动原型验证任务是否适合由大模型处理，再构建自动化。生产流水线采用分阶段、幂等的架构（获取、准备、处理、解析、渲染），并通过文件系统状态管理进行调试和缓存。明确指定格式的结构化输出设计有助于实现可靠解析。应从最简架构开始，仅在证明有必要时增加复杂性。

认知架构

BDI 心智状态 信念-愿望-意图建模为将结构化外部上下文转换为 Agent 心智状态提供了一种形式化方法。它适用于理性 Agent、可解释性，以及需要建立信念、目标与所选行动之间可审计联系的系统。

核心概念

本集合围绕四个核心主题组织。首先，语境基础介绍什么是语境、注意力机制如何运作，以及为何语境质量比数量更重要。其次，架构模式涵盖了实现有效 Agent 系统所需的结构与协调机制。第三，运营卓越涉及优化、评估和执行框架的可靠性。第四，开发方法论与认知架构涵盖项目执行和正式的心理状态建模。

实用指南

每项技能都可以独立使用，也可以组合使用。从基础知识入手，建立语境管理的思维模型。根据系统需求，进一步探索相应的架构模式。优化生产系统时，可参考运营相关技能。

这些技能与平台无关，可用于 Claude Code、Cursor，或任何支持自定义指令或类似技能结构的 Agent 框架。

集成

本集合内部相互集成——各项技能彼此引用，并基于共享概念构建。基础技能为所有其他技能提供语境。架构技能（多 Agent、记忆、工具）可以组合使用，构建复杂系统。运营技能（优化、评估）适用于任何基于基础和架构技能构建的系统。

参考资料

本集合中的内部技能：

• context-fundamentals
• context-degradation
• context-compression
• multi-agent-patterns
• long-horizon-prompting
• memory-systems
• tool-design
• filesystem-context
• hosted-agents
• context-optimization
• self-managed-context
• latent-briefing
• evaluation
• advanced-evaluation
• harness-engineering
• self-improvement-loops
• project-development
• bdi-mental-states

语境工程外部资源：

• 关于注意力机制和语境窗口限制的研究
• 领先 AI 实验室在 Agent 系统设计方面的生产实践经验
• LangGraph、AutoGen 和 CrewAI 的框架文档

---

技能元数据

创建时间：2025-12-20 最后更新：2026-10-01 作者：Agent Skills for Context Engineering 贡献者 版本：2.6.0