上下文工程 Agent 指南

问题

生产级 AI Agent 往往不是缺模型能力，而是上下文组织失控：system instructions、tool definitions、检索文档、历史消息和工具输出挤在一起，出现 lost-in-middle、context poisoning 或无关信息干扰。新系统从零搭建、旧系统调优、多 Agent 架构设计、记忆层接入时，常见失败点在于不知道哪些上下文真正服务于当前任务，也不知道如何把长任务拆成可验证的 launch prompt。

核心能力

这套技能围绕 context engineering 给结构化方法：

• 上下文基线：把上下文理解为推理时语言模型可用的完整状态，不只是 prompt 文本；优先保留高信噪比信息。
• 退化诊断：关注 U 形注意力、中部信息丢失、错误累积和无关内容干扰，定位失败是在检索、工具输出还是历史压缩环节。
• 架构模式：比较 supervisor/orchestrator、peer-to-peer swarm、hierarchical 多 Agent 模式；强调子 Agent 主要用于隔离上下文，而不是模拟组织角色。
• 长任务提示：围绕长时自治 Agent 的 launch prompt，要求明确成功谓词、约束、验证方式和交接条件，减少并行编排中的漂移。
• 工具与记忆：在创建或评估 agent tools 和 persistence layer 时，把状态边界、写入策略与读取时机纳入设计。

适用边界

它更适合 agent 系统设计、调试和评估，而不是替换底层模型训练或向量数据库选型。若项目已有固定框架，建议先提取其上下文来源与工具调用链路，再对照技能中的模式判断哪里需要压缩、隔离或重写 launch prompt。资料被截断，具体实现细节以仓库完整 SKILL.md 为准。