context-degradation

此技能專為需要診斷與修正大型上下文代理系統效能故障的 AI 工程師與開發者而設計。上下文衰退很少是二元性的故障；它是會損害 LLM 推理、檢索增強生成 (RAG) 與多步驟代理工作流程的連續性、可預測模式。透過分析注意力機制（特別是中間標記回憶準確度下降的 U 型曲線效應），此技能提供了重組資訊放置、過濾無關雜訊並隔離衝突資料流的可操作策略。這是偵錯不可預測的模型行為、錯誤的工具呼叫或在長時間對話中持續存在的幻覺的重要工具。

• 透過優化資訊在上下文視窗中的位置，偵測並減輕「中間丟失」現象。

• 透過為工具輸出與檢索文件建立嚴格的來源追蹤與截斷協定，防止上下文中毒。

• 針對由干擾文件導致的階躍函數效能衰退，採取主動的相關性過濾措施。

• 實施任務隔離與上下文分段，以防止「上下文混淆」與特定任務約束的交叉污染。

• 針對上下文衝突提供解決策略，包括優先權規則、來源優先級與矛盾過濾。

• 當代理程式在複雜、多輪推理任務中出現意外的輸出衰退或「健忘」現象時，請使用此工具。

• 為獲得最佳效果，請將此診斷框架整合至您的評估流程中，以監控聲明來源與工具對齊。

• 輸入通常包括原始對話記錄、檢索到的上下文視窗或任務日誌；輸出包括關於提示詞工程、文件放置與系統級上下文重置的結構化建議。

• 請注意，此技能將上下文視為一種工程限制而非模型錯誤，強調透過結構標記、明確標題與高效的工具呼叫架構來管理注意力預算。

• 適用於使用長上下文模型的系統，在這些系統中，注意力匯聚標記與記憶稀缺性會限制生產級部署的效能。