context-fundamentals

情境工程是一門專門研究如何策劃提供給語言模型資訊的紀律，旨在最大化效能並最小化資源消耗。此技能為開發人員和 AI 工程師提供了核心概念框架，將情境視為有限的注意力預算，而非僅僅是儲存桶。它解決了維持高信噪比、減輕大型情境視窗中的資訊衰減，以及建構系統提示詞、工具定義和訊息記錄以提高代理推理準確性和可靠性的關鍵挑戰。

• 資訊量與詳盡性的平衡原則：學習如何優先處理決策所需的關鍵資料，並僅在必要時檢索補充資訊。

• 位置感知佈局：利用架構模式將重要約束放置在情境視窗的開頭和結尾，以最大化對抗「遺失中間資訊 (lost-in-the-middle)」效應的召回準確性。

• 注意力預算優化：理解有效的容量限制（通常為額定視窗的 60-70%），以防止模型效能衰退。

• 漸進式揭露：實施模組化情境載入技術，確保代理僅接收當前任務狀態下必要的指令和工具。

• 系統架構對齊：設計利用清晰 XML 標籤、結構化工具描述和輕量級識別碼的代理系統，以改善模型的消歧能力。

• 當設計代理架構、除錯非預期的模型行為，或進行日常情境審計以降低 Token 成本時，請啟用此技能。

• 輸入通常包括原始架構設計、系統提示詞、工具文件或顯示代理效能不佳的日誌。預期輸出包括重構後的提示詞結構、整合後的工具集，以及優化的記憶體管理策略。

• 實務限制：始終將 Token 容量視為效能梯度而非硬性邊界。根據生產軌跡中觀察到的失效模式，進行反覆的策劃與調整。

• 對於建構高可靠性 AI 系統的團隊至關重要，這有助於彌補額定情境視窗大小與實際長距離推理精度之間的差距。