上下文注入
将外部信息直接嵌入发送给大模型的提示中作为高优先级上下文的工程方法，与让模型自主检索相对，具有确定性高、token可控、注意力聚焦的优势
核心事实
时间轴 (近 90 天)
上下文注入（context injection）就是有选择地把需求描述、相关文件、接口约定、编码规范等组织成结构化输入，以在窗口预算内最大化信号密度。
上下文注入的效果高度依赖知识本身的质量与组织方式，知识越零散、越口语化，模型越难稳定利用。
上下文越多，误报与噪声控制的难度也越高，这是该类方案落地时的关键考验。
上下文注入是指智能体在调用LLM时，将特定文本内容拼接到模型的输入提示（prompt）中，从而影响模型输出的过程。
上下文注入无需训练即可随时更新知识，但每次调用都要消耗窗口预算，且受检索质量制约。
经验蒸馏与上下文注入是框架层递归的实现基础，框架知识以自然语言形式存储，不改变模型参数，而是在后续任务的提示词或上下文中动态拼接。
Cursor 的 @-Mentions 本质上是上下文注入（context injection），将被引用对象的内容直接嵌入到发送给模型的提示中，作为高优先级的上下文存在。
全部知识事实 (8)
大语言模型每次调用的费用与输入token数量正相关，在Agent循环中随着对话历史积累每次调用成本会线性增长
65%待验证上下文注入（context injection）就是有选择地把需求描述、相关文件、接口约定、编码规范等组织成结构化输入，以在窗口预算内最大化信号密度。
50%待验证上下文注入的效果高度依赖知识本身的质量与组织方式，知识越零散、越口语化，模型越难稳定利用。
50%待验证上下文越多，误报与噪声控制的难度也越高，这是该类方案落地时的关键考验。
50%待验证上下文注入是指智能体在调用LLM时，将特定文本内容拼接到模型的输入提示（prompt）中，从而影响模型输出的过程。
50%待验证上下文注入无需训练即可随时更新知识，但每次调用都要消耗窗口预算，且受检索质量制约。
50%待验证经验蒸馏与上下文注入是框架层递归的实现基础，框架知识以自然语言形式存储，不改变模型参数，而是在后续任务的提示词或上下文中动态拼接。
50%待验证Cursor 的 @-Mentions 本质上是上下文注入（context injection），将被引用对象的内容直接嵌入到发送给模型的提示中，作为高优先级的上下文存在。
50%