Anthropic发布的关于AI代理“上下文工程”的指南，彻底刷新了我们对上下文管理的认知，内容简明且极具洞见。

核心要点总结：

1. 上下文衰减（Context Rot）是真实存在的。
随着上下文窗口中token数量增加，模型准确回忆信息的能力下降。即使是百万token的大窗口也无法避免。

2. 提示工程与上下文工程并不矛盾，而是互补。
提示工程侧重写出清晰指令，获取理想输出；上下文工程更偏程序化，是精准填充上下文窗口信息的科学与艺术。

3. 系统提示（System Prompt）决定模型表现。
好的系统提示要具体又灵活，既能准确引导行为，又能赋予模型强有力的启发式判断。过于模糊或限制都不好。

4. 工具设计原则：名称清晰、职责分明、错误处理完善、结果简洁。
人类工程师不能明确判断用哪个工具，AI代理也不会知道。

5. 示例有帮助，但需精选多样且具价值的案例。
列一大堆边缘情况反而适得其反，不建议用“洗衣单”式的覆盖法。

6. 预处理投入时间绝对值得。
直接大量丢信息到上下文只会浪费资源，导致工具使用混乱、陷入死胡同或漏掉关键信息。

常用上下文工程技巧：

- 压缩总结（Compaction）： 快接近上下文极限时，让代理总结对话历史，保留未解决问题、整体目标、执行步骤等关键信息。
- 结构化笔记（Structured note-taking）： 代理在上下文窗口外做笔记，必要时调入使用。
- 子代理架构（Sub-agent architectures）： 主代理遇非关键任务时生成子代理处理，结果返回后清理子代理上下文，保持主上下文整洁。

额外思考：
上下文工程的本质，是不断稳定和明确AI的“意图”，避免模型因信息过载或模糊而偏离目标。结合好提示设计与工程化的上下文管理，才能发挥LLM的最大效能，解决实际问题。

原文链接：x.com/Hesamation/status/1976303978364248530

---

这份指南不仅是AI代理设计的“秘笈”，还启示我们如何与大模型更高效地协作。上下文不是越多越好，而是“精准、有序、动态”最关键。期待更多创新方法涌现，助力AI更智能、更可靠！