context-engineering-collection

本集合為開發、調試及擴展生產級 AI 代理系統的開發者提供了一個全面的操作框架。它專注於上下文工程這一關鍵領域，即系統性地規劃與管理狀態、指令、工具定義及記憶體，以最大化模型表現。本技能集專為使用 LangGraph、AutoGen 和 CrewAI 等框架的架構師與工程師設計，提供了超越簡單提示工程、邁向可靠代理工作流所需的思維模型。透過深入探討注意力機制、上下文視窗限制及 Token 效率，它確保了您的代理系統在處理複雜任務時仍能保持高效能。

• 基礎原則：深入探討上下文基礎，包含注意力機制動態、上下文退化模式及信噪比優化。
• 架構模式：多代理協調的標準化方法，包含監督者/編排器架構、點對點群體協作及階層式任務分解。
• 記憶體與持久化：實現複雜記憶體層的策略，涵蓋從時間知識圖譜到以檔案系統作為記憶體的模式。
• 營運卓越：上下文壓縮、觀察遮罩、前綴快取及策略性上下文分割的實務技術。
• 工具設計：建立語言模型與外部系統間確定性介面的最佳實踐，強調命名空間規劃與錯誤報告效率。
• 評估框架：針對事實準確性、完整性及流程品質的多維度評分標準，包含使用 LLM 作為評審或最終狀態驗證。

使用說明與建議：

• 從基礎知識開始，在工程團隊中建立關於上下文管理的共同語言。
• 當代理系統需要複雜協調或狀態隔離時，靈活運用架構模式。
• 利用營運技巧解決長任務執行期間常見的「中間遺失」現象或上下文耗盡問題。
• 輸入資料通常包含系統提示詞、工具定義及檢索增強生成 (RAG) 輸出，預期的輸出是為下游 LLM 推理所優化的高傳真上下文視窗。
• 限制條件包含應將「每個任務的 Token 量」作為核心指標而非「每個請求的 Token 量」，確保在壓縮過程中維持決策鏈與產出的完整性。