context-degradation

此技能为 AI 代理系统中上下文故障的识别与解决提供了结构化的工程框架。上下文工程是一门旨在优化模型上下文窗口中信息布局的学科。此技能专为开发人员与 AI 工程师设计，特别适用于解决代理在长对话中表现出的不可预测行为，例如幻觉、工具误用或无法遵循指令。通过将上下文视为受注意力机制支配的有限且敏感的资源，此技能帮助从业人员从尝试错误的提示词工程转向严谨、系统化的故障缓解机制。

• 诊断与修正“中间丢失”（lost-in-middle）现象：当关键信息置于长上下文中心时容易被模型忽略的特征。

• 预防“上下文中毒”（context poisoning）策略：透过在工具输出与检索文档进入推理窗口前进行验证来防止错误传播。

• 防止“上下文干扰”（context distraction）的积极筛选与策划技术，消除无关背景数据造成的性能衰退。

• 实施任务隔离模式：防止因同时处理多个目标而产生的“上下文混淆”（context confusion），确保约束条件不跨任务污染。

• 解决“上下文冲突”（context clash）的方法：处理 prompt 窗口中存在多个相互矛盾来源的情境。

• 用户应在调查代理性能下降、调试错误的工具调用或评估生产级上下文管理系统设计时启动此技能。

• 本技能接收关于代理行为、当前上下文长度以及如矛盾或指令被忽略等征兆的输入；并输出具体的架构调整、信息布置策略与筛选规则。

• 实用建议包括利用 U 型注意力曲线原理，将核心指令置于 Prompt 的最前端或尾端，并使用如标记或标题等结构性锚点。

• 限制：此技能基于底层 LLM 注意力架构运作；因此效果取决于特定模型的注意力广度与记忆恢复能力。它优先推荐“策划重于积累”的方法，建议开发者将非必要上下文移至工具调用之后，而非塞满主要窗口。