context-fundamentals

情境工程是一门专门研究如何策划提供给语言模型资讯的纪律，旨在最大化效能并最小化资源消耗。此技能为开发人员和 AI 工程师提供了核心概念框架，将情境视为有限的注意力预算，而非仅仅是存储桶。它解决了维持高信噪比、减轻大型情境视窗中的资讯衰减，以及建构系统提示词、工具定义和消息记录以提高代理推理准确性和可靠性的关键挑战。

• 资讯量与详尽性的平衡原则：学习如何优先处理决策所需的关键资料，并仅在必要时检索补充资讯。

• 位置感知布局：利用架构模式将重要约束放置在情境视窗的开头和结尾，以最大化对抗“遗失中间资讯 (lost-in-the-middle)”效应的召回准确性。

• 注意力预算优化：理解有效的容量限制（通常为额定视窗的 60-70%），以防止模型效能衰退。

• 渐进式揭露：实施模块化情境加载技术，确保代理仅接收当前任务状态下必要的指令和工具。

• 系统架构对齐：设计利用清晰 XML 标签、结构化工具描述和轻量级识别码的代理系统，以改善模型的消歧能力。

• 当设计代理架构、除错非预期的模型行为，或进行日常情境审计以降低 Token 成本时，请启用此技能。

• 输入通常包括原始架构设计、系统提示词、工具文件或显示代理效能不佳的日志。预期输出包括重构后的提示词结构、整合后的工具集，以及优化的内存管理策略。

• 实务限制：始终将 Token 容量视为效能梯度而非硬性边界。根据生产轨迹中观察到的失效模式，进行反复的策划与调整。

• 对于建构高可靠性 AI 系统的团队至关重要，这有助于弥补额定情境视窗大小与实际长距离推理精度之间的差距。