Agent 上下文工程合集

解决什么问题

在长任务、多步骤的 Agent 系统中，“上下文”不只是 prompt 文本：它还包括工具定义、检索文档、消息历史、工具输出以及推理时的全部可用状态。上下文随任务推进不断膨胀，带来可预测的退化：lost-in-middle 现象让中部信息被忽略，注意力呈 U 形分布，错误逐轮叠加形成上下文污染，无关内容挤占有效信号。当会话耗尽内存，压缩与取舍就成为绕不开的工程问题；把优化目标定为 tokens-per-request 而非 tokens-per-task，会直接破坏任务的可追溯性。

技能如何工作

合集按生命周期分四层。基础层：context-fundamentals、context-degradation 建立心智模型，context-compression 用结构化摘要应对内存耗尽。架构层：multi-agent-patterns 强调子 Agent 的核心价值是隔离上下文；long-horizon-prompting 用伪形式化任务简报定义成功判据；memory-systems 覆盖从草稿本到知识图谱的记忆架构，filesystem-context 把文件系统当作无限上下文接口；tool-design 视工具为确定性系统与非确定性 Agent 之间的契约。运维层：context-optimization 提供压实、观测遮蔽、前缀缓存；latent-briefing 在 orchestrator-worker 架构中共享 KV 缓存以避免 token 膨胀；evaluation 与 harness-engineering 保证可靠性与可审计性；self-improvement-loops 把 harness 本身作为优化对象，但强制双分裂验收与经验归档。方法论层：project-development 建议从任务-模型匹配分析起步，bdi-mental-states 提供信念-欲望-意图建模。

适用边界

技能平台无关，可搭配 Claude Code、Cursor 或任何支持自定义指令的 Agent 框架。latent-briefing 依赖底层暴露 worker KV 状态且模型兼容，并非所有环境可用。所有压缩方法中，artifact 轨迹完整性仍是最薄弱的维度；self-improvement-loops 若无运行时约束与验收闸门，不应直接用于生产。