Effective Context Engineering for AI Agents
Anthropic 官方工程博客，讲 AI agent 的 context engineering——prompt engineering 的自然演进。
核心观点
Context engineering = 在有限 context window 里放最优的 token 集合，最大化期望结果。
关键概念
- Context Rot: token 越多，模型回忆精确信息的能力越差。边际收益递减。
- Attention Budget: transformer 的 n² 注意力机制，context 越长注意力越分散。
有效 Context 的组成
- System Prompt: 找对高度，不能太死板（if-else）也不能太笼统
- 工具设计: 精简、功能不重叠、描述清晰
- Few-shot 示例: 精选代表性的，不要塞一堆边界情况
Context 检索策略
- 传统: 预先 embedding 检索塞进 context
- Just-in-time: 只保存轻量级引用（文件路径、查询、链接），需要时动态加载
- Progressive Disclosure: 逐层发现，每次只保留需要的
- 混合策略: 重要的预加载 + 其余按需探索（Claude Code 的做法）
长任务三大技巧
- Compaction: 快到上限时总结压缩，保留关键决策，丢掉多余工具输出
- 结构化笔记: agent 主动写笔记到文件，context reset 后读笔记继续
- 多 Agent 架构: 主 agent 协调，子 agent 做深度任务，只返回精炼总结