context-engineering-collection

本集合为开发、调试及扩展生产级 AI 代理系统的开发者提供了一个全面的操作框架。它专注于上下文工程这一关键领域，即系统性地规划与管理状态、指令、工具定义及记忆体，以最大化模型表现。本技能集专为使用 LangGraph、AutoGen 和 CrewAI 等框架的架构师与工程师设计，提供了超越简单提示工程、迈向可靠代理工作流所需的思维模型。通过深入探讨注意力机制、上下文视窗限制及 Token 效率，它确保了您的代理系统在处理复杂任务时仍能保持高效能。

• 基础原则：深入探讨上下文基础，包含注意力机制动态、上下文退化模式及信噪比优化。
• 架构模式：多代理协调的标准化方法，包含监督者/编排器架构、点对点群体协作及阶层式任务分解。
• 记忆体与持久化：实现复杂记忆体层的策略，涵盖从时间知识图谱到以文件系统作为记忆体的模式。
• 运营卓越：上下文压缩、观察遮罩、前缀缓存及策略性上下文分割的实务技术。
• 工具设计：建立语言模型与外部系统间确定性接口的最佳实践，强调命名空间规划与错误报告效率。
• 评估框架：针对事实准确性、完整性及流程品质的多维度评分标准，包含使用 LLM 作为评审或最终状态验证。

使用说明与建议：

• 从基础知识开始，在工程团队中建立关于上下文管理的共同语言。
• 当代理系统需要复杂协调或状态隔离时，灵活运用架构模式。
• 利用运营技巧解决长任务执行期间常见的“中间遗失”现象或上下文耗尽问题。
• 输入资料通常包含系统提示词、工具定义及检索增强生成 (RAG) 输出，预期的输出是为下游 LLM 推理所优化的高保真上下文视窗。
• 限制条件包含应将“每个任务的 Token 量”作为核心指标而非“每个请求的 Token 量”，确保在压缩过程中维持决策链与产出的完整性。