跳到主要内容

Anthropic：AI Agent 有效上下文工程

Summary​

Anthropic 工程博客（2025-09-29），系统阐述 Context Engineering 概念——从 Prompt Engineering 演进到管理整个上下文状态的艺术与科学。核心洞察：Context Rot（token 增多导致性能下降）、注意力预算有限，需用最小高信号 token 集合驱动 Agent。涵盖系统提示、工具设计、Just-in-Time 检索、Compaction 压缩等长程任务技术。

Key Concepts​

  • Context Engineering — 管理 LLM 推理时全部 token 的策略，Prompt Engineering 的演进
  • Context Rot — token 增多时模型信息回忆能力下降的现象
  • Compaction — 上下文压缩技术：总结重要信息，重新初始化窗口
  • Just in Time Retrieval — Agent 按需动态加载数据，而非预加载全量
  • Attention Budget — Transformer n² 注意力机制导致上下文是有限资源

Key Principles​

  1. 最小高信号原则 — 找最小 token 集合最大化期望输出
  2. 正确高度 — 系统提示不过于具体（脆弱）也不过于模糊（无效）
  3. 工具精简 — 避免功能重叠，人能判断的工具才能让 Agent 用好
  4. Just-in-Time — 维护轻量标识符，运行时按需拉取（Claude Code 实践）
  5. 混合策略 — 部分预加载 + 部分自主探索

Long-Horizon Techniques​

技术作用
Compaction总结压缩，重新初始化上下文
Structured Note-taking主动记录关键信息到外部存储
Multi-agent任务分解到多 Agent，各自维护独立上下文
  • Anthropic官方：如何使用CLAUDE.md文件定制Claude Code
  • Anthropic工程博客：用代码执行+MCP构建更高效的Agent
  • 为什么（资深）工程师难以构建AI Agent - 五大范式转变
  • Context Engineering 实用指南 - 优化 AI 编码的上下文策略
  • All Agentic Architectures - 17种AI Agent架构完整实现