ARTICLE · 人工智能
AI 智能体的高效上下文工程
一语总结Anthropic Engineering 将上下文工程视为提示词工程的演进，详细介绍了在智能体系统中管理 LLM 上下文窗口的实用策略，包括系统提示词设计、工具精选、即时检索、压缩、结构化笔记和子智能体架构。
这篇来自 Anthropic Engineering 的文章将上下文工程定义为在 LLM 推理过程中为构建强大 AI 智能体而精选并维护最佳 token 集合的实践。文章将上下文工程与传统提示词工程进行对比，指出随着智能体运行多轮交互和更长的时间跨度，管理整个上下文状态（系统提示词、工具、MCP、外部数据、消息历史）变得至关重要。文章涵盖：为什么上下文工程很重要（注意力预算限制、上下文退化、Transformer 架构局限）；有效上下文的构成（高度适当的系统提示词、最小可用工具集、精选的规范示例）；上下文检索策略（预先计算 vs. 即时智能体搜索，以及类似 Claude Code 的混合方法）；以及面向长时程任务的技术（压缩、结构化笔记/智能体记忆、子智能体架构）。作者在文章中始终强调应将上下文视为一种边际回报递减的有限资源，并提供了来自 Anthropic 产品的具体示例，包括 Claude Code 和 Claude 开发者平台。
- 上下文工程在构建强大智能体方面取代了提示词工程。
随着智能体在多轮推理和更长的时间跨度中运行，管理整个上下文状态（系统提示词、工具、外部数据、消息历史）变得比优化单个提示词更为关键。
- 由于 Transformer 架构的限制，LLM 具有有限的注意力预算。
n² 的成对注意力关系在上下文大小与聚焦之间形成天然张力；模型在较长上下文下表现出回忆和推理能力下降（上下文退化），因此深思熟虑的内容精选至关重要。
- 系统提示词应该在脆弱的硬编码与模糊的指导之间取得‘适当高度’。
有效的系统提示词既要足够具体以指导行为，又要足够灵活以提供启发式方法，并以清晰的分区组织，只包含必要的最少信息。
- 对于动态任务，通过智能体搜索进行的即时上下文检索优于预先计算的检索。
智能体维护轻量级标识符（文件路径、查询、链接）并在运行时动态加载数据，这模拟了人类认知，支持渐进式披露，并避免过时的索引。
- 长时程任务需要压缩、结构化笔记和子智能体架构。
压缩通过总结对话历史保留关键细节；结构化笔记在上下文窗口之外提供持久记忆；子智能体则为并行或专门工作隔离上下文。
AI 智能体的高效上下文工程
这篇来自 Anthropic Engineering 的文章将上下文工程定义为在 LLM 推理过程中为构建强大 AI 智能体而精选并维护最佳 token 集合的实践。文章将上下文工程与传统提示词工程进行对比，指出随着智能体运行多轮交互和更长的时间跨度，管理整个上下文状态（系统提示词、工具、MCP、外部数据、消息历史）变得至关重要。文章涵盖：为什么上下文工程很重要（注意力预算限制、上下文退化、Transformer 架构局限）；有效上下文的构成（高度适当的系统提示词、最小可用工具集、精选的规范示例）；上下文检索策略（预先计算 vs. 即时智能体搜索，以及类似 Claude Code 的混合方法）；以及面向长时程任务的技术（压缩、结构化笔记/智能体记忆、子智能体架构）。作者在文章中始终强调应将上下文视为一种边际回报递减的有限资源，并提供了来自 Anthropic 产品的具体示例，包括 Claude Code 和 Claude 开发者平台。
文章金句
"上下文工程指的是在 LLM 推理过程中精选并维护最佳 token（信息）集合的一系列策略，包括提示词之外可能进入上下文的所有其他信息。
"因此，上下文必须被视为一种边际回报递减的有限资源。像人类一样，LLM 的工作记忆容量有限，在解析大量上下文时会动用其‘注意力预算’。
"压缩的艺术在于选择保留什么、舍弃什么，因为过度激进的压缩可能导致一些微妙但关键的上下文丢失，而这些上下文的重要性可能要到后来才会显现。
"鉴于该领域快速发展，‘做最简单且有效的事’很可能仍是我们给基于 Claude 构建智能体的团队的最佳建议。