题记与说明
标题: Effective context engineering for AI agents
作者: Anthropic Applied AI 团队（Prithvi Rajasekaran、Ethan Dixon、Carly Ryan、Jeremy Hadfield）
来源: https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
发布日期: 2025-09-29
存档日期: 2026-10-28
标签: [context-engineering, ai-agents, prompt-engineering, claude-code, long-horizon-tasks]
收藏理由：Anthropic 官方 2025-09 发布的上下文工程纲领之作：把上下文当作有注意力预算的稀缺资源，从 context rot 讲到 compaction、结构化笔记、子 agent 架构，并以 Claude Code 的 just-in-time 检索为实例——读完即可重建你对提示工程的认知框架。
这篇讲什么
Anthropic Applied AI 团队宣告「提示工程」进阶为「上下文工程」：重点不再是雕琢一句 prompt，而是回答"什么样的上下文配置最可能让模型产生期望行为"。理论根基是 context rot——随着上下文 token 增多，模型准确回忆信息的能力下降；根源在 transformer 的 n² 注意力关系被摊薄，LLM 只有一个有限的「注意力预算」，每个新 token 都在消耗它。
由此提出全篇纲领：好的上下文工程，是找到最小的高信号 token 集合。随后分组件落地：系统提示要站在「正确海拔」——比硬编码 if-else 灵活，比空泛指导具体；工具集要精简无歧义；与其堆砌边界用例，不如给多样化范例。检索上，主张从 embedding 预检索转向 just-in-time 检索：agent 只持有轻量标识（文件路径、查询），运行时按需加载，Claude Code 是典型——CLAUDE.md 先行放入，glob/grep 即时导航文件系统。
针对超出窗口的长任务，文章给出三板斧：compaction（摘要压缩后重启窗口，Claude Code 保留架构决策、未解决 bug，丢弃冗余工具输出，并附带最近 5 个文件）；结构化笔记（NOTES.md 式外部记忆，Claude 玩 Pokémon 数千步仍能维持目标计数）；子 agent 架构（子 agent 深挖数万 token，只向主 agent 回传 1000-2000 token 的蒸馏摘要）。三者分别适合连续对话、有里程碑的迭代、可并行的探索分析。
最值得记住的金句与数据
- "LLMs have an 'attention budget'" —— 像人类工作记忆有限一样，模型解析上下文时也在花一笔注意力预算，每个 token 都在消耗它。这是全篇立论。
- "找到最小的、能最大化期望结果可能性的高信号 token 集合"（the smallest possible set of high-signal tokens） —— 上下文工程的一句话定义，写在结论里。
- 数据：子 agent 可能消耗数万 token 探索，只回传约 1000-2000 token 的蒸馏摘要——多 agent 系统省的不是计算，是主 agent 的注意力。
对我的启发
- Agent 系统：注意力预算是设计的第一性原理。我在用的多 agent 工作流正是子 agent 架构——脏上下文隔离在子 agent 里，主 agent 只读蒸馏结果，这篇文章给了它理论背书。
- AI 编程工具：CLAUDE.md + glob/grep 的混合检索把「维护索引」换成「即时导航」，绕开索引过期问题，配置个人编程环境可直接套用。
- 个人知识管理："人类不背诵语料库，而是靠文件系统、收件箱、书签按需检索"——正是我建知识库的方法论：轻量标识 + 按需加载，目录名、命名约定本身就是元数据信号。
- 写作：少列例外清单，多给代表性范例；描述要「具体到能引导行为，又留足启发式空间」。
适合谁读
正在构建 agent、配置 AI 编程工具、或维护任何"喂上下文给模型"工作流的工程师与重度用户；也想理解"为什么更大的窗口不等于更好的效果"的技术决策者。模型越强，越该让智能体自主导航，而不是人工策划一切——但把上下文当稀缺资源的思维不会过时。