Agent Skills
返回列表
🤖

上下文工程

AI Agent 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/siviter-xyz-dot-agent-context-engineering。

技能介绍

要解决什么问题

Agent 与 LLM 流水线在上下文窗口吃满后,推理质量下滑、成本陡增;多 Agent 协同时 token 开销往往逼近单 Agent 的十多倍。大量团队把「多塞一点背景」当成默认策略,却忽视 attention 有限、lost-in-the-middle 以及 token variance 对表现差异的解释力——没在 70%~80% 利用率附近做压实,往往在触顶后才被动救火。

技能如何工作

本技能把目标钉在:用最小的高信号 token 集支撑任务。核心原则包括:质量优于数量、渐进式披露(按需加载)、隔离防劣化(子 Agent 分片而非角色扮演堆栈)。

四桶策略是操作主轴:

  • Write:把中间态写到外部(草稿区、文件)
  • Select:只检索/过滤相关上下文
  • Compress:摘要等压缩,目标常见为 50%~70% 减量且质量损失 <5%
  • Isolate:可并行任务拆给子 Agent,控制单体会话 token

配套指标包括:token utilization(70% 预警、80% 触发优化)、稳定负载下 cache hit 目标 70%+,以及按 tokens-per-task 而非单次请求去优化。工具设计强调 what / when / inputs / returns 描述清楚,避免模型误用。

多技能并存时:只加载相关内容,用元数据发现,避免整份 skill 定义灌进上下文。

适用边界与注意点

反模式包括: exhaustive context、关键信息放在中段、无限流工具说明、本可并行仍塞进单 Agent。

技能附带 references/ 分主题文档(劣化调试、压实与缓存、多 Agent、评测等);本文件是作战清单,细节需对照参考文。压实与 masking 要 先量 baseline 再改,并用 probe 类评测验证,生产环境持续监控 token。

使用场景

  • 设计多工具 Agent 时,窗口经常在 80% 以上触顶,需要按利用率触发压实策略
  • 调试 Agent 偶发答非所问,怀疑关键指令埋在上下文中段被注意力稀释
  • 同一任务要并行查多路数据源,想把子任务拆给子 Agent 以降低单体 token
  • 长会话助手要实现跨轮记忆,需在 Write/Compress 之间选型并控制质量回落

适合人员

  • 负责线上 Agent 推理成本与延迟的 ML/平台工程师,需要可监控的 token 利用率阈值
  • 在 Cursor/Copilot 类环境里搭自定义 Agent 的全栈开发者,要为工具写清 inputs/returns
  • 做多 Agent 编排的研发,希望用隔离分片而不是在一个会话里堆全部角色设定
  • 做 Agent 评测的同学,要用 probe 与 LLM-as-Judge 对照压实前后的 baseline