Effective context engineering for AI agents · 导读 未开始

题记与说明

收藏理由：Anthropic 官方上下文工程奠基文（2025-09），把上下文当有限资源讲 compaction、记忆与子代理架构，与我关注的 Agent 系统方向直接对齐。

这篇讲什么

当 AI 从一次性任务走向多轮长时程的 Agent，只在措辞层面打磨 prompt 已经不够。Anthropic 提出真正要优化的是上下文——每次推理进入模型窗口的全部 token（系统指令、工具、MCP、外部数据、历史消息）；上下文工程就是为有限窗口挑选内容并循环精炼的艺术与科学。

核心观点

1. 上下文是边际收益递减的有限资源。 "context rot" 研究表明 token 越多、模型召回越不准；transformer 注意力是 n² 成对关系，每个新 token 都在消耗"注意力预算"。
2. 好上下文 = 最小的高信号 token 集合。 系统提示要写在"恰当高度"；工具集要克制——"人类工程师都说不清该用哪个工具，就别指望 Agent 选对"；示例贵精不贵多。
3. 检索从"预取"走向 just-in-time。 Agent 持有轻量引用（文件路径、查询、链接）运行时按需加载，正如人类靠文件系统与书签检索，而非死记语料库。
4. 长时程任务有三根杠杆： compaction（摘要后重启窗口，Claude Code 只留压缩上下文加最近五个文件）、结构化笔记（NOTES.md 写到窗口外做持久记忆）、子代理架构（深挖数万 token，只回传浓缩结论）。

最值得记住的金句与数据

• "Context must be treated as a finite resource with diminishing marginal returns."——上下文是边际收益递减的有限资源，全文总纲。
• "the smallest possible set of high-signal tokens"——好上下文的定义：找到最小的高信号 token 集合。
• 子代理账本：单个子代理可消耗数万 token 探索，回传主代理的浓缩摘要往往仅 1,000–2,000 token——用隔离空间换主上下文质量。

对我的启发

• Agent 系统：压缩、笔记、子代理是三块可直接套用的积木——多轮对话选压缩，里程碑式开发选笔记，并行研究选多代理。
• AI 编程工具：Claude Code 的混合模式值得照抄——CLAUDE.md 前置加载，glob/grep 运行时按需检索；写工具先问"最小可用工具集是什么"。
• 个人知识管理：文章论证"外部索引 + 按需检索"优于全量塞入——目录名、标签、时间戳本身就是供未来检索的高信号 token。
• 写作：提示词的"恰当高度"也是写作原则——具体到可执行，留白到可迁移；一个好示例胜过一千条规则。

适合谁读

正在搭建 Agent/LLM 应用的工程师、想把 Claude Code/Codex 用出深度的人、关注 agentic memory 的知识管理爱好者。