技能介绍

解决什么问题

Agent 团队最常见的一个争论是：「模型窗口已经到 200K 了，是不是把整个知识库塞进去就行？」这个问题本身就暴露了心智模型的缺失——把上下文当成存储桶，而不是有限且不可中途充值的注意力预算。

结果往往是：上下文塞得越多，关键约束越容易被淹没。长上下文评测反复显示，模型对中间位置信息的召回率明显更低；工具输出和冗长文档会稀释高信号内容的权重，导致 Agent 在「放不放得下」上纠结，却忽略了「模型还会不会注意真正重要的部分」。

这个技能只回答一个层面的问题：为什么这样安排上下文，而不是某一项具体操作怎么做。

核心能力

技能分四步建立第一性原理判断框架：

确立注意力预算心智模型：在硬性 token 上限、有效容量天花板、U 形注意力曲线三重约束下，最大化「每 token 效用」，而非单纯扩充体积。
套用四条装配原则：

- 信息量 > 穷尽，把 按需再取 设计进系统
- 位置感知摆放，关键约束置于上下文开头与结尾
- 渐进式披露，启动时只加载 skill 名称与摘要
- 持续策展，上下文工程是每次传内容时的纪律

拆解上下文解剖结构：系统提示分块与能级统一、工具定义 精简（JSON 序列化后 schema 通常膨胀 2-3 倍）、检索文档按语义边界切分、消息历史 与工具输出用观察遮蔽压缩。
信号密度测试：对每段上下文问——删掉它会不会改变模型输出？不会就删。

输出形式

每轮对话产出两部分：结构化工件 ContextBrief（核心原则、摆放建议、下游路由），以及用类比讲解的自然语言段落。完整模板含注意力预算自检表与信号密度清单，见 references/template.md。

适用边界

本技能只讲「为什么」。具体调试交给 context-degradation；降 token 成本手法交给 context-optimization；长会话摘要交给 context-compression；文件外置交给 filesystem-context；项目形态决策交给 project-development。