上下文工程

上下文工程是设计和管理发送给 LLM 的完整信息载荷的学科——包括系统提示、工具、示例、检索结果、记忆和对话历史——以优化 agent 在多轮交互和长周期任务中的行为。

#定义

提示词工程关注如何撰写离散的指令，而上下文工程架构的是塑造 agent 行为的整个信息流。它问的是："agent 在每一步应该知道什么？"而非"我们应该对模型说什么？"

上下文工程涵盖：

• Token 预算分配：找到最小的高信号 token 集合以最大化期望结果
• 信息生命周期：决定什么进入上下文、何时摘要、何时淘汰
• 检索策略：按需即时检索，而非预加载——在需要时获取所需内容
• 记忆架构：跨长任务的持久存储、压缩和结构化笔记
• 注意力管理：将关键信息放置在模型注意力机制会给予适当权重的位置

#核心原则

#来自 Anthropic

Anthropic 关于有效上下文工程的指导强调：

• 最小化、无重叠的工具——每个工具应有清晰、独特的用途
• 按需即时检索，而非预加载上下文
• 多样化的典型示例，展示期望行为
• 适当抽象层级的系统提示
• 长任务场景：压缩（摘要历史）、结构化笔记和子 agent 架构

来源：Effective context engineering for AI agents

#来自 Manus

Manus 的实践方法强调：

• 通过稳定前缀优化 KV-cache，显著降低延迟和成本
• 将文件系统作为超越上下文窗口的持久记忆
• 保留失败痕迹，使 agent 能从错误中学习
• 通过示例的可控变化避免 few-shot 脆性

来源：Context Engineering for AI Agents: Lessons from Building Manus

#上下文腐化

上下文工程的一个基本约束是上下文腐化（Context Rot）——随着上下文长度增长，模型注意力退化。随着更多 token 累积，早期信息获得的注意力权重降低，导致指令遗忘或性能下降。

缓解策略：

• 压缩：定期摘要对话历史，保留关键决策，丢弃噪声
• 子 agent 委派：将子任务分配给不受累积历史负担的新上下文
• 策略性定位：将关键指令放在上下文的开头和结尾，注意力最强的位置

#与 Harness 工程的关系

上下文工程是 harness 工程的核心组成部分。Harness 工程构建结构化环境（CLAUDE.md、specs、目录布局），而上下文工程确保正确的信息在正确的时间流向 agent。

一个良好 harness 化的仓库天然支持好的上下文工程：清晰的文件组织意味着 agent 能高效检索相关文件，原子化提交意味着历史可解析，specs 为决策提供高信号上下文。