Context Engineering Advisor - AI 上下文工程诊断顾问

技能概述

一款交互式诊断顾问，帮助产品经理判断 AI 工作流是在"上下文堆砌"（大量投喂资料却效果差）还是在做真正的"上下文工程"（有结构地分配 AI 注意力），并给出记忆架构与上下文边界的落地方案。

适用场景

1. AI 输出质量不稳定：明明把整个 PRD、全部访谈记录都贴给了 AI，回答却依然模糊、敷衍，"有时好用有时不好用"，需要诊断是不是上下文堆砌稀释了模型注意力。
2. 多智能体工作流臃肿、成本飙升：Agent A 把全部上下文传给 Agent B 再传给 Agent C，token 消耗越来越大、重试成了常态，准确率却不涨，需要为每个 Agent 划定上下文边界。
3. 为 AI 产品功能设计记忆与检索架构：正在搭建 RAG、向量数据库或 Agent 记忆系统，需要规划哪些信息持久化、哪些按需检索，以及由谁负责维护上下文边界。

核心功能

1. 上下文堆砌症状诊断：通过 8 项症状自查和 5 个诊断问题（这块上下文支持什么决策？能否用检索替代持久化？谁负责边界？排除它会发生什么具体故障？是在修结构还是在回避结构？），识别"上下文囤积症"的严重程度，并给出对应干预建议。
2. 两层记忆架构设计：按你的实际工作流定制短期会话记忆（单次会话、及时摘要）与长期持久记忆（约束清单、术语表、声明性与程序性记忆）的组合方案，并为历史资料等情景性上下文设计按需检索策略。
3. Research → Plan → Reset → Implement 循环落地：用"研究 → 规划 → 重置 → 实施"四阶段循环消除上下文腐化——先允许研究阶段上下文混乱，再压缩成高密度计划文档，清空上下文后仅凭计划实施；配套 Context Manifest（上下文清单）模板和分阶段行动清单。

常见问题

上下文工程和提示词工程有什么区别？

提示词工程关注"怎么措辞这一条指令"，上下文工程关注"AI 的工作记忆里应该有什么、不该有什么"——是为 AI 设计信息架构的系统工程。这个技能明确不属于提示词写作教学，也不推荐工具；它诊断的是上下文的组织结构：边界、检索策略、记忆分层。即使提示词写得再好，往上下文里塞满无关资料，输出依然会被噪声稀释。

为什么资料给得越多，AI 回答反而越差？

因为 AI 的注意力是稀缺资源。把整个文档库、全部会议记录都放进上下文，会产生推理噪声和"上下文腐化"（中间信息被忽略、死路和错误不断累积），模型优先关注开头和结尾、忽略中段，多步推理能力随之下降。上下文堆砌假设"数量等于质量"，而上下文工程的做法是：先明确当前要做什么决策，只投喂支持该决策的高密度信息。

这个技能适合谁用？需要什么前提？

主要面向正在使用 AI（无论是 ChatGPT、Claude 还是自建 Agent 工作流）的产品经理和 AI 产品团队，特别适合已出现输出不一致、反复重试、token 成本上涨等症状的使用者。不适合 AI 刚入门、还在学基础提示词的用户，也不解决工具选型问题。整个诊断流程约 15-20 分钟，采用一问一答的交互方式，空着手来也可以——它会先问你目前在给模型喂什么、哪里出了问题。