context-degradation

此技能為 AI 代理系統中上下文故障的識別與解決提供了結構化的工程框架。上下文工程是一門旨在優化模型上下文窗口中信息佈局的學科。此技能專為開發人員與 AI 工程師設計，特別適用於解決代理在長對話中表現出的不可預測行為，例如幻覺、工具誤用或無法遵循指令。通過將上下文視為受注意力機制支配的有限且敏感的資源，此技能幫助從業人員從嘗試錯誤的提示詞工程轉向嚴謹、系統化的故障緩解機制。

• 診斷與修正「中間丟失」（lost-in-middle）現象：當關鍵信息置於長上下文中心時容易被模型忽略的特徵。

• 預防「上下文中毒」（context poisoning）策略：透過在工具輸出與檢索文檔進入推理窗口前進行驗證來防止錯誤傳播。

• 防止「上下文干擾」（context distraction）的積極篩選與策劃技術，消除無關背景數據造成的性能衰退。

• 實施任務隔離模式：防止因同時處理多個目標而產生的「上下文混淆」（context confusion），確保約束條件不跨任務污染。

• 解決「上下文衝突」（context clash）的方法：處理 prompt 窗口中存在多個相互矛盾來源的情境。

• 用戶應在調查代理性能下降、調試錯誤的工具呼叫或評估生產級上下文管理系統設計時啟動此技能。

• 本技能接收關於代理行為、當前上下文長度以及如矛盾或指令被忽略等徵兆的輸入；並輸出具體的架構調整、信息佈置策略與篩選規則。

• 實用建議包括利用 U 型注意力曲線原理，將核心指令置於 Prompt 的最前端或尾端，並使用如標記或標題等結構性錨點。

• 限制：此技能基於底層 LLM 注意力架構運作；因此效果取決於特定模型的注意力廣度與記憶恢復能力。它優先推薦「策劃重於積累」的方法，建議開發者將非必要上下文移至工具調用之後，而非塞滿主要窗口。