关于 context-engineering
context-engineering 是帮助 Claude 为复杂或长期任务组织和维护上下文的技能。它通过分层记忆、信息压缩和工作流跟踪，支持多 Agent 协作。
主要功能
- 01分层组织长期与当前上下文
- 02压缩信息并保留关键决策
- 03跟踪任务、阻碍和进度
- 04维护工作流连续性
- 05协调多 Agent 共享上下文
适用场景
- 01在大型项目中维护结构化记忆
- 02延续跨会话的长期任务
- 03协调共享上下文的多 Agent 工作流
安装
复制下面的命令，在终端中运行。
npx skills add https:/安装后在 Claude Code 中输入/context-engineering确认已加载。
详细介绍
上下文工程
概述
此技能使 Claude 能够将上下文作为一个经过设计的系统进行管理，而不是将提示词视为彼此孤立的交互。
工作流侧重于：
- 结构化的上下文管理
- 记忆组织
- 提示词分层
- 任务分解
- 上下文压缩
- 工作流连续性
- 多 Agent 协作
- 长期推理系统
目标是提升：
- 推理质量
- 执行一致性
- 可扩展性
- 工作流清晰度
- 长上下文可靠性
与其让 Claude 被原始信息淹没，不如将上下文整理为：
- 结构化
- 优先级明确
- 分层
- 持续维护
良好的上下文工程能显著提升 AI 在大型复杂工作流中的执行质量。
设置
开始前：
- 创建一个结构化工作区。
建议的结构：
context/
memory/
tasks/
planning/
reviews/
- 创建基础文件：
project-summary.md
active-context.md
tasks.md
architecture.md
- 定义：
- 项目目标
- 当前工作流
- 重要约束
- 长期目标
建议使用的工具：
- Claude
- GitHub
- Markdown 文件
- Notion
- Obsidian
- 兼容 MCP 的系统
可选：
- 向量数据库
- Embedding 搜索
- 多 Agent 编排
- 记忆索引系统
所需输入
- 项目信息
- 工作流目标
- 现有文档
- 当前任务
- 长期目标
可选：
- 架构图
- 会话历史
- Agent 记忆系统
- 仓库摘要
何时使用此技能
在以下情况使用此技能：
- 管理大型项目
- 协调 AI 工作流
- 扩展多 Agent 系统
- 处理长期运行的任务
- 维持执行连续性
- 提升推理一致性
- 组织大型上下文窗口
- 构建高级 Claude 工作流
何时不使用
以下情况不要使用此技能：
- 只需一步即可完成的小任务
- 一次性提示词
- 孤立实验
- 不要求保持连续性的工作流
使用示例
在包含多个当前工作流的大型 AI 工程仓库中维护结构化上下文。
Claude 应当：
- 整理项目记忆
- 压缩不重要的上下文
- 优先处理当前信息
- 跟踪架构决策
- 维持工作流连续性
- 协调 Agent 职责
- 持续优化上下文结构
最终结果应当：
- 提升推理质量
- 减少上下文混乱
- 有效扩展大型工作流
- 保持长期连续性
- 提升执行一致性
上下文工程的核心原则
1. 上下文是一个系统，而非提示词
良好的 AI 工作流依赖于：
- 结构化的上下文
- 有条理的记忆
- 优先级明确的信息
- 主动的上下文管理
Claude 应将上下文视为：
- 动态的
- 分层的
- 持续维护的
避免：
- 臃肿且无结构的提示词
- 重复信息
- 不断累积的冗杂上下文
结构化系统能改善：
- 推理能力
- 可扩展性
- 执行质量
2. 优先处理高价值上下文
并非所有信息都同等重要。
Claude 应优先处理：
- 当前任务
- 约束
- 架构决策
- 工作流目标
- 尚未解决的阻碍
避免存储：
- 无关历史
- 重复摘要
- 低价值的对话填充内容
良好的优先级管理能提升：
- 上下文效率
- 推理质量
- 工作流清晰度
3. 分离长期上下文与当前上下文
上下文应进行分层。
建议的结构：
Long-Term Memory
↓
Project Context
↓
Active Workflow Context
↓
Immediate Task Context
这有助于提升：
- 可扩展性
- 检索质量
- 推理专注度
Claude 应避免混合：
- 永久性知识
- 临时执行状态
- 低优先级细节
4. 积极压缩上下文
大型工作流需要压缩上下文。
Claude 应当：
- 反复总结
- 合并重复信息
- 减少不必要的冗长内容
- 仅保留重要见解
压缩能提升：
- 可扩展性
- 推理效率
- 长上下文可靠性
良好的摘要会保留：
- 含义
- 决策
- 工作流连续性
5. 上下文应提升执行效果
上下文工程的目的是提升执行质量。
良好的上下文系统可以改善：
- 规划
- 推理
- 实现一致性
- 工作流连续性
- 多 Agent 协调
Claude 应主动利用上下文来：
- 减少重复解释
- 保持目标一致
- 提升长期执行效果
工作流
1. 明确项目核心上下文
首先确定：
- 项目目标
- 架构
- 当前工作流
- 约束
- 长期目标
创建以下基础摘要：
- 项目概览
- 当前状态
- 当前重点
摘要应保持：
- 简洁
- 结构清晰
- 易于更新
2. 组织上下文层级
区分：
- 永久记忆
- 项目上下文
- 当前任务
- 临时执行状态
建议的结构：
memory/
active-context/
planning/
reviews/
这有助于提升：
- 推理清晰度
- 工作流可扩展性
- 检索质量
3. 持续压缩信息
Claude 应：
- 总结各次会话
- 删除冗余内容
- 保留关键决策
- 简化工作流历史
避免：
- 庞大的原始对话记录
- 重复笔记
- 噪声不断累积的上下文
良好的压缩有助于提升：
- 长期可用性
- 上下文效率
- 推理质量
4. 跟踪当前工作流
维护：
- 当前任务
- 阻碍因素
- 依赖关系
- 实现状态
- 审查反馈
Claude 应持续更新：
- 进度摘要
- 工作流优先级
- 待执行步骤
这有助于提升：
- 连续性
- 规划能力
- 协调能力
5. 协调多 Agent 系统
在多 Agent 工作流中：
- Agent 需要共享上下文
- 记忆必须保持同步
- 职责应明确
Claude 应：
- 保留协调状态
- 减少重复工作
- 维持共同认知
良好的协调有助于提升：
- 可扩展性
- 执行质量
- 工作流稳定性
6. 优化上下文结构
随着项目发展：
- 简化上下文系统
- 重新组织摘要
- 归档过时信息
- 优化检索结构
上下文系统应持续演进。
避免：
- 静态的记忆转储
- 上下文不受控地增长
- 组织结构零散
7. 验证上下文质量
定稿前：
- 确保摘要仍然有用
- 删除过时信息
- 检查工作流是否清晰
- 减少不必要的复杂性
良好的上下文系统应具备以下特点：
- 轻量
- 结构清晰
- 可扩展
- 以执行为导向
输出预期
最终输出应包含：
- 结构化的上下文系统
- 分层的记忆组织
- 压缩后的工作流摘要
- 可扩展的上下文架构
- 以执行为导向的记忆管道
- 易于维护的长期推理系统
工作流本身应保持：
- 轻量
- 有条理
- 可扩展
- 可适应
- 以执行为导向
执行策略（面向 AI Agent）
Agent 应：
- 将上下文视为经过工程化设计的系统
- 积极优先保留高价值信息
- 持续压缩工作流
- 维护分层的上下文组织
- 谨慎协调各工作流中的记忆
- 优化长期执行质量
工作流应以提升以下方面为目标：
- 推理清晰度
- 可扩展性
- 执行一致性
- 工作流连续性
- 长上下文可靠性
最佳实践
- 保持上下文结构清晰
- 积极压缩
- 优先保留当前信息
- 区分长期上下文与临时上下文
- 维护轻量摘要
- 归档过时信息
- 持续优化记忆组织
注意事项
- 上下文质量会显著影响 AI 的执行质量
- 压缩对于构建可扩展的工作流至关重要
- 分层记忆系统有助于提升推理一致性
- 结构化上下文能显著改善多 Agent 协调
- 最好的上下文系统始终轻量，并得到持续维护