用途：上下文工程是管理大语言模型有限注意力预算的实践。本技能用于在长时间工作中保持指令、证据与状态可用，适用于指令丢失、证据遗漏或大型多智能体上下文场景。
主要能力与概念：上下文窗口受注意力机制约束，而不仅是 token 容量；大上下文上限不保证每项内容被同等使用。资料列出五类退化模式：迷失中间（长上下文中部信息注意力权重较低，缓解方式为显式分节、把关键约束放在开头和结尾）、上下文污染（错误信息进入上下文导致错误累积，需验证中间输出）、上下文干扰（无关信息分散注意力，需精选内容）、上下文混淆（多任务或冲突指令导致歧义，尽量一次一个任务）、上下文冲突（多来源矛盾信息，需先显式解决矛盾）。
使用方式：先测量再压缩，不要用固定 token 阈值判断上下文是否可靠，应在自己的模型和任务上测量检索与推理质量，测试代表性证据在多个位置的表现，并比较摘要前后结果；仅在测量结果或智能体行为显示问题时才压缩，保留精确约束、决策、来源链接、未解决问题与验证证据。缓解策略包括：外部写入（经用户同意后，把进度写入约定的临时文件，例如被 gitignore 的 PROGRESS.md 或用户选择的路径，开始前读回该文件恢复上下文）；谨慎选择（过滤无关上下文，例如只提供涉及错误的 3 个文件而非全部 50 个）；策略性压缩（保留信号，例如只保留关键函数及其签名与相关区域上下文）；隔离上下文（复杂任务使用聚焦上下文的子智能体）。
退化迹象：忽略早前指令（迷失中间或上下文过长）、自相矛盾（混淆或冲突）、重复已给信息（注意力未到达）、遗漏明显细节（干扰）、逐渐变差（错误污染）。
限制：资料未提供具体安装命令、平台支持、收费或价格信息；引用包括 Lost in the Middle（Liu 等，2023）、Needle in a Haystack 基准与 RULER 基准。