跳到主要内容

Context Engineering 实用指南 - 优化 AI 编码的上下文策略

Summary​

Jarrod Watts 的 Context Engineering 实操指南。核心观点："AI slop 是用户的错，不是模型的错"——目标是找到最小高信号 token 集。Claude Code 200k 窗口实际可用约 120k。基础工作流占80%效果：明确目标、Plan mode、消除歧义、多次审查。进阶策略：MCP 实现 Just in Time Context（推荐 exa.ai/context7/grep.app）；Librarian SubAgent 用 Sonnet 做研究返回简洁摘要给 Opus 主 Agent，节省上下文和成本；Skills 按需引入专业知识。关键原则：陷入 slop 时立即 /rewind 或 /new，不要在污染的上下文中挣扎。

Key Concepts​

  • Context Engineering — 优化提供给 LLM 的信息集，最大化输出质量
  • Value Dense Context — 每个 token 都应有助于 LLM 回答下一个请求
  • Just in Time Context — Agent 在需要时自行通过工具查找信息的策略
  • Librarian SubAgent — 用便宜模型做研究、返回简洁摘要的子 Agent 模式
  • Context Window Management — /compact、/rewind、/new 等上下文管理手段
  • Slop Avoidance — 识别并及时退出低质量输出循环

Detailed Content​

上下文窗口分配​

200k 总量 → 22.5% 保留 + 10.2% 系统提示 + MCP/rules → 实际约 120k 可用

三层策略​

  1. 基础（80%效果）：明确目标 + Plan mode + 消除歧义
  2. MCP：Just-in-Time 获取文档和代码
  3. SubAgent：独立窗口 + 便宜模型做研究 → 摘要返回主 Agent

关键引用​

"Good vibe coding is about optimizing for value-dense context."

  • Context Management
  • SubAgent
  • Agent Skills
  • Claude Code
  • Progressive Disclosure
  • MCP Integration