#上下文工程
共 54 篇相关文章
MCP服务器最大隐患：连接工具不等于理解业务
MCP让AI Agent轻松连接企业工具，却带来工具过载和语义缺失两大隐患。本文解析为何MCP只负责连接不负责理解业务，以及如何通过上下文层标准化指标、统一实体、约束执行，构建可靠的Agent自动化。
手写Agents.md，让AI编程稳定性大幅提升
B站UP主通过视频编辑器和卡牌游戏两个项目对比，揭示手写Agents.md和设计文档能显著提升AI编程稳定性，解释Agents.md与技能注入机制的区别，并给出文档驱动开发的实用方法。
Anthropic团队拆解上下文工程：从Claude MD到文件系统记忆
Anthropic团队在AI DevCon分享上下文工程演进：从Claude MD文件到Agent自主文件系统记忆，详解版本控制、哈希并发、权限分层与Dreaming会话外记忆流程，并给出生产环境落地的渐进路径。
上下文工程现状：从提示词到上下文管理的范式演进
基于 dbreunig 文章与 Hacker News 讨论，梳理上下文工程的概念边界、当前实践模式与开放问题，解析其与提示词工程的本质差异。
多Agent交接的边界：该给什么，该藏什么？
多Agent工作流中，交接该给多少上下文？本文拆解Reddit开发者的一线经验：给Coder原子spec加目标文件是否足够、给Reviewer为何必须带spec、切片太窄时如何用命名依赖请求有界摘录，并提炼一条可操作的交接判断规则。
上下文越大AI智能体越不可靠？4种失效模式与修复方法
一项覆盖18个前沿模型的研究发现：上下文窗口越大，AI智能体可靠性反而下降。本文解析上下文腐化的四种失效模式——污染、分心、混乱、冲突，并给出验证、压缩、筛选、清理四种修复方法，说明为什么主动丢弃信息能让智能体更可靠。
渐进式披露让Agent提速2.3倍：上下文工程新思路
Hacker News讨论提出用渐进式披露优化AI Agent上下文，实现2.3倍提速。本文解析上下文膨胀的三大性能损耗，介绍分层工具目录、按需检索、历史压缩等实践路径及落地注意事项。
告别上下文大杂烩：多智能体管道如何严格界定状态与交接
多智能体管道中上下文大杂烩导致状态膨胀和交接模糊。本文基于Reddit讨论，总结显式输入输出模式、不可变状态、分层状态等严格界定状态与交接的工程实践，并分析交接协议设计中的关键取舍。
如何在智能体开发中榨取最大智力？HN热议
Hacker News 热议如何从 AI 智能体中获取最大智力。本文从上下文质量、工具设计、评估迭代和多智能体协作四个维度，拆解提升智能体表现的关键实践，帮助开发者突破智能体“差一口气”的瓶颈。
AI编程代理看不到的7件事，每条命令补齐上下文
AI编程代理只能看到仓库文件和你输入的文字，CI日志、issue线程、PR行内评论、线上schema、运行时日志、功能开关状态和浏览器控制台都在它视野之外。本文给出七条命令，逐一将这些隐藏状态转为代理可读的文本，并说明如何用.context/目录与CLAUDE.md让上下文跨会话保留。
《Context Engineering》新书发布：AI系统失败往往因为上下文
新书《Context Engineering》指出AI系统失败多因上下文而非模型。文章解读上下文漂移、知识图谱检索、决策可审查性等核心观点，为技术领导者提供AI生产落地的工程框架。
端侧AI Agent如何解决"手机本该知道"的上下文传递难题
StareBrain团队详解端侧AI Agent的上下文传递架构：如何在不将数据上传云端的前提下，用本地解析层自动补全位置、时间、联系人等参数，并通过置信度分级决定自动填充、建议还是询问用户。
实测：Skill文件超过6KB，模型输出失败率翻倍
实测 28 次执行发现：skill 文件超过 6KB 后，模型空输出率达到 25%，自然膨胀的 9.2KB 文件更是高达 50%。本文拆解实验数据、约 1500 token 的机制解释，以及把 skill 文件压在 6KB 以下的三条实操规则。
AI写代码必懂的5个核心概念：从自动补全到智能体编排
IBM Technology 讲解 AI 编程智能体必懂的 5 个概念：开发拐点、从实现到指挥的角色迁移、上下文与循环工程、LLM 原理与显存机制、提示注入与沙箱安全，并展望 AI 作为新电力的未来。
上下文工程揭秘：AI智能体四大陷阱与修复方案
AI智能体的上下文窗口越来越大，可靠性却在下降。本文解析上下文腐化现象与四大失败模式——上下文中毒、分心、混淆、冲突，并给出验证、压缩、精选、修剪四种修复方案，揭示上下文工程"少即是多"的核心原则。
Redis团队实战：生产级AI智能体的上下文工程
Redis应用AI团队分享生产级智能体上下文工程实战经验：从SRE智能体设计出发，探讨上下文窗口管理、工具抽象与安全边界、评估与可追溯性，以及技能自动优化的现实边界。
Context-Mode输出沙箱：为AI Agent节省token成本
Context-Mode输出沙箱通过摘要、过滤、选择性提取和阈值截断，在工具输出进入AI Agent上下文前进行加工，避免冗长日志和API响应反复消耗token。本文解析其原理、LangChain落地步骤与适用边界。
大模型上下文选择机制需引入排除记录
AI上下文包的选择机制隐藏了关键决策：系统排除了哪些信息、为何排除。本文介绍在解析器模式中引入排除记录的设计提案，区分不可用、过期与有意排除三种状态，并提供可审查的实践清单。
Agent上下文工程：缓存、压缩与子Agent实战
深入解析AI Agent上下文工程的五种核心策略：Prompt Caching缓存、Compaction压缩、Tool-result Clearing工具结果清理、Retrieval检索与Subagents子Agent，附Anthropic和OpenAI API实操参数与权衡分析。
空提示词的真实成本：四款编程Agent CLI基线Token实测
在空仓库中用一字提示词实测 Claude Code、Codex、Copilot CLI 与 OpenCode 的基线 Token 成本，拆解系统提示词、MCP 服务器与指令文件的前缀开销，并给出各 CLI 的用量读取命令与缓存计费陷阱。