context-fundamentals

Context Fundamentals - 上下文工程基础指南

技能概述

Context Fundamentals 提供智能体上下文工程的完整基础知识，帮助开发者理解 LLM 推理时的上下文构成、注意力机制原理，以及如何通过渐进式披露和 Token 预算管理来优化智能体系统性能。

适用场景

1. 设计和构建智能体系统

在创建新的 AI Agent 或修改现有架构时，理解上下文的各个组件（系统提示、工具定义、检索文档、消息历史、工具输出）如何协同工作，是设计高效智能体的基础。掌握上下文工程原则可以帮助你做出更合理的架构决策。

2. 调试 Agent 异常行为

当智能体出现意外行为时，问题往往源于上下文管理不当。可能是系统提示过于模糊、工具描述不够清晰，或者是消息历史过长导致注意力分散。本技能提供系统化的调试思路，帮助你快速定位问题根源。

3. 优化 Token 使用和成本控制

工具输出可能占据上下文 Token 总量的 80% 以上。通过学习上下文预算管理、渐进式披露和混合加载策略，可以显著降低 Token 消耗和 API 调用成本，同时保持或提升智能体性能。

核心功能

上下文构成解析

深入理解上下文的五大核心组件：系统提示确立 Agent 身份和行为约束，工具定义指定可用操作，检索文档提供领域知识，消息历史维护对话状态，工具输出返回执行结果。每个组件都有其独特的特征和管理策略。

注意力机制理解

LLM 通过注意力机制处理上下文，但存在"注意力预算"限制。随着上下文长度增加，模型的捕获能力会被稀释。理解位置编码、上下文扩展的影响，以及上下文中段和两端的注意力分布差异，是有效管理上下文的关键。

优化策略实践

掌握渐进式披露原则——仅在需要时加载信息；学习混合加载策略——平衡速度与灵活性；应用上下文预算管理——在 70-80% 利用率时触发压缩；理解"信息性优于全面性"原则，用最小的高信号 Token 集合实现最佳结果。

常见问题

什么是上下文？为什么说它是有限资源？

上下文是 LLM 在推理时可用的完整状态，包括系统指令、工具定义、文档、对话历史和工具输出等。由于注意力机制的计算复杂度是 O(n²)，上下文越长，模型的处理能力越分散。就像人类的工作记忆有限一样，LLM 也有一个"注意力预算"，每个新增的 Token 都会消耗这个预算。

系统提示应该写多详细？太简略或太详细有什么问题？

系统提示需要找到"最佳高度"：太具体会引入脆弱逻辑，增加维护负担；太模糊则无法给出明确的行为信号。建议使用清晰的结构（如 XML 标签或 Markdown 标题）组织提示，包含背景信息、指令、工具指导和输出描述等独立部分。既要足够具体以有效引导行为，又要保持足够的灵活性。

什么是渐进式披露？如何应用？

渐进式披露是指只在需要时才加载信息的策略。例如：启动时只加载技能名称和描述，知道何时可能使用某个技能；只有在技能被激活时才加载完整内容。这使 Agent 保持快速响应，同时在需要时可以访问更多上下文。应用方式包括：技能层面的按需加载、文档的动态检索、甚至工具结果的选择性返回。

本技能适合谁学习？

本技能适合所有从事 AI Agent 开发、LLM 应用构建的技术人员。无论是正在设计新系统的架构师、需要调试问题的工程师、希望优化成本的开发者，还是刚入门上下文工程概念的新人，都能从中获益。它是其他高级技能（如 context-degradation、context-optimization、multi-agent-patterns）的前置基础。