AI Agent 第 2 章：上下文工程

同一个模型，换一套上下文，常常像换了一个人。它是否知道目标、可用工具、刚才发生了什么、哪些规则不能违反，都会直接改变下一步行动。

因此，上下文不是把所有材料塞进提示词。它更像一张工作台：常用规则固定放好，当前材料摆在手边，完成的步骤留下轨迹，过期信息及时归档。

上下文工程的目标不是让模型看得更多，而是让它在每一步都看见正确、足够且可信的信息。

01 / CONTEXT LAYERS先把上下文拆成四层。

一次 Agent 调用里，系统指令、用户目标、助手历史和工具结果承担不同责任。把它们混成一大段文字，会让优先级、来源和可追溯性同时变差。

身份、长期规则、安全边界与输出约定。

用户此刻要解决的问题与验收标准。

已经做过的判断、工具调用和真实反馈。

剩余步骤、时间、预算、失败次数与待确认事项。

Agent 的核心循环不是连续生成文字，而是行动后重新观察。工具调用参数、执行结果与错误信息都要进入下一轮，否则模型无法区分“我准备做”和“我已经做成”。

生产系统还要设置最大迭代次数、重复调用检测和明确停止条件，避免 Agent 在同一个错误上无限打转。

计划不是结果。只有工具返回的可验证反馈，才能推动 Agent 进入下一步。

KV Cache 和 Prompt Cache 都偏爱稳定前缀。系统规则、固定工具定义与少量高质量示例适合保持顺序；当前问题、工具结果和状态栏则放在后部持续更新。

这不仅是性能优化，也会倒逼架构变清楚：哪些内容属于长期规则，哪些只是一次任务的临时状态。

有效提示词通常先说明角色与目标，再给工作流程、工具使用规则、输出格式和少量边界。规则越多不一定越安全；互相冲突、缺少优先级的规则反而更难执行。

领域知识不必全部常驻上下文。Skill 可以在任务命中时再加载，让 Agent 获得一组方法、模板或操作约定；状态栏则用很短的结构记录进度、时间与下一步。

两者解决不同问题：Skill 回答“这类事该怎样做”，状态栏回答“这件事现在做到哪里”。

长任务不能无限累积原始对话。可以分层保留近期原文、阶段摘要、关键事实与外部档案；但当子任务彼此独立时，隔离往往比压缩更可靠。

例如让一个子 Agent 只核对日期，另一个只检查引用，最后汇总结论。每个上下文更短，也更不容易相互污染。

第一道练习：拿掉系统指令、工具说明、历史轨迹或状态栏中的一项，观察 Agent 从哪一步开始变笨。

原书与章节来源

继续沿着“理解结构—动手改变—观察结果—形成判断”的方式学习。