context-degradation

此技能专为需要诊断与修复大型上下文代理系统性能故障的 AI 工程师与开发者而设计。上下文衰退很少是二元性的故障；它是会损害 LLM 推理、检索增强生成 (RAG) 与多步骤代理工作流程的连续性、可预测模式。通过分析注意力机制（特别是中间标记召回准确度下降的 U 型曲线效应），此技能提供了重组信息放置、过滤无关噪声并隔离冲突数据流的可操作策略。这是调试不可预测的模型行为、错误的工具调用或在长时间对话中持续存在的幻觉的重要工具。

• 通过优化信息在上下文窗口中的位置，检测并减轻“中间丢失”现象。

• 通过为工具输出与检索文档建立严格的来源追踪与截断协议，防止上下文中毒。

• 针对由干扰文档导致的阶跃函数性能衰退，采取主动的相关性过滤措施。

• 实施任务隔离与上下文分段，以防止“上下文混淆”与特定任务约束的交叉污染。

• 针对上下文冲突提供解决策略，包括优先级规则、来源优先级与矛盾过滤。

• 当代理程序在复杂、多轮推理任务中出现意外的输出衰退或“健忘”现象时，请使用此工具。

• 为获得最佳效果，请将此诊断框架整合至您的评估流程中，以监控声明来源与工具对齐。

• 输入通常包括原始对话记录、检索到的上下文窗口或任务日志；输出包括关于提示词工程、文档放置与系统级上下文重置的结构化建议。

• 请注意，此技能将上下文视为一种工程限制而非模型错误，强调通过结构标记、明确标题与高效的工具调用架构来管理注意力预算。

• 适用于使用长上下文模型的系统，在这些系统中，注意力汇聚标记与记忆稀缺性会限制生产级部署的性能。