用途
本合集为构建生产级 AI 智能体系统提供结构化指导，核心手段是有效的上下文工程。当出现以下需求时可启用：从零构建新的智能体系统；优化现有智能体性能；调试与上下文相关的故障；设计多智能体架构；为智能体创建或评估工具；实现记忆与持久化层；设计自主研究或评估执行框架。
主要能力
基础上下文工程
理解上下文基础：上下文不只是提示文本，而是推理时语言模型可用的完整状态，包括系统指令、工具定义、检索文档、消息历史和工具输出。有效的上下文工程意味着理解哪些信息对当前任务真正重要，并以此策展信息以获得最大信噪比。
识别上下文退化：随着上下文增长，语言模型表现出可预测的退化模式，包括“中间丢失”现象（上下文中间的信息获得的注意力较少）、优先首尾的 U 形注意力曲线、错误累积导致的上下文中毒，以及无关信息淹没相关内容造成的上下文分心。
架构模式
多智能体协调：生产级多智能体系统收敛于三种主导模式——带集中控制的监督者/编排者架构、用于灵活交接的点对点蜂群架构，以及用于复杂任务分解的层级结构。关键洞见是子智能体主要为了隔离上下文，而非模拟组织角色。
长时程提示：长时间运行的自主智能体和并行编排的成败取决于启动提示。伪形式化任务简报规定成功谓词、不计入的结果、带审计把关返回条件的持久化规则、努力下限、并行组合的多样性策略和污染防护，将形式化验证的纪律以语言方式应用于没有机器可校验成功条件的问题。在编排运行中，每个工作者返回带命名检查的输出契约，只有有证据的违规才阻止返回。
记忆系统设计：记忆架构范围从简单草稿板到复杂的时间知识图谱。向量 RAG 提供语义检索但丢失关系信息；知识图谱保留结构但需要更多工程投入；文件系统即记忆模式支持即时上下文加载，无需塞满上下文窗口。
基于文件系统的上下文：文件系统为存储、检索和更新实际上无限的上下文提供统一接口。关键模式包括用于卸载工具输出的草稿板、长时程任务的计划持久化、通过共享文件进行子智能体通信，以及动态技能加载。智能体使用 ls、glob、grep 和 read_file 进行定向上下文发现，在结构查询上常优于语义搜索。
托管智能体基础设施：后台编程智能体运行在远程沙箱环境中而非本地机器。关键模式包括按常规节奏刷新的预构建环境镜像、用于即时启动会话的热沙箱池、用于会话持久化的文件系统快照，以及协作智能体会话的多玩家支持。关键优化包括允许在 git 同步完成前读取文件（仅阻止写入）、用户开始输入时预测性预热沙箱，以及自我派生智能体以并行执行任务。
工具设计原则：工具是确定性系统与非确定性智能体之间的契约。有效工具设计遵循合并原则（偏好单一综合工具而非多个狭窄工具），在错误中返回上下文信息，支持响应格式选项以提升令牌效率，并使用清晰的命名空间。
卓越运营
上下文压缩：当智能体会话耗尽内存时，压缩成为强制要求。正确的优化目标是每任务令牌数，而非每请求令牌数。带明确文件、决策和下一步分节的结构化摘要比激进压缩保留更多有用信息。在所有压缩方法中，工件轨迹完整性仍是最弱维度。
上下文优化：技术包括压缩（在接近上限时总结上下文）、观察掩蔽（用引用替换冗长工具输出）、前缀缓存（跨请求复用 KV 块），以及策略性上下文分区（将工作拆分到具有隔离上下文的子智能体）。
自管理上下文：由模型而非执行框架决定什么留在其活动上下文中：可编辑区域以文件形式暴露，模型用代码工具重写并每轮重新解析。执行框架保留不变量（固定的系统与任务前缀、角色折叠、编辑门、回执、确定性预算读数、溢出回滚）。在前缀缓存下，编辑成本随编辑之后的文本扩展，因此编辑被批处理并考虑尾部放置；策略可通过指令引导、作为技能演进，或用成功门控的效率奖励训练。
潜在简报（KV 记忆共享）：编排者-工作者系统在监督者累积长轨迹而工作者仅见狭窄文本切片时会使令牌复合增长。潜在简报在工作者模型的 KV 缓存中用任务引导注意力（Attention Matching 式压缩）压缩编排者轨迹，使工作者在技术栈暴露工作者 KV 状态且模型兼容时，无需全文重放即可接收相关潜在状态。
评估框架：生产级智能体评估需要确定性检查和多维评分标准，涵盖事实准确性、完整性、工具效率和过程质量。仅在结构、证据和评分标准计算有效后才使用模型裁判；将裁判设计、成对比较和偏差缓解路由至高级评估。
执行框架工程：可靠的自主智能体需要在模型周围有明确的运行循环：锁定指标、可编辑表面、持久日志、新颖性检查、回滚规则和人工审批边界。执行框架防止智能体削弱评估器、在压缩中丢失状态，或将模糊目标变为不可审查的更改。
自我改进循环：当执行框架本身成为优化目标时，适用不同的纪律：递归自我改进、元执行框架搜索、故障驱动的有界自我编辑、进化式脚手架搜索，以及上下文机制演化。控制性约束包括经验性两分验收门、带原始轨迹的文件系统经验档案、在每个可编辑表面之外运行时强制执行的约束，以及防止坍缩的多样性保持。
开发方法论
项目开发：有效的 LLM 项目开发从任务-模型匹配分析开始：在构建自动化前通过手工原型验证任务是否适合 LLM 处理。生产流水线遵循分阶段、幂等的架构（获取、准备、处理、解析、渲染），并使用文件系统状态管理进行调试和缓存。带明确格式规范的结构化输出设计可实现可靠解析。从最小架构开始，仅在证明必要时才增加复杂性。
认知架构
BDI 心智状态：信念-欲望-意图建模提供了一种将结构化外部上下文转化为智能体心智状态的形式化方法。用于理性能动性、可解释性，以及需要在信念、目标和所选行动之间建立可审计链接的系统。
使用方式
每个技能可独立使用或组合使用。从基础开始建立上下文管理心智模型；根据系统需求分支进入架构模式；优化生产系统时参考运营技能。这些技能平台无关，适用于 Claude Code、Cursor 或任何支持自定义指令或类技能构造的智能体框架。
本合集内部集成：技能相互引用并基于共享概念构建。基础技能为所有其他技能提供上下文；架构技能（多智能体、记忆、工具）可组合用于复杂系统；运营技能（优化、评估）适用于任何使用基础与架构技能构建的系统。
适用场景
- 构建新智能体系统或优化现有系统性能
- 调试上下文相关故障、设计多智能体架构
- 创建或评估智能体工具、实现记忆与持久化层
- 设计自主研究或评估执行框架
- 需要长时程运行、上下文压缩、评估与自我改进的智能体系统
限制
资料中未说明收费、价格、具体量化效果或平台绑定信息。该合集声明为平台无关，可配合多种智能体框架使用，但资料未提供具体安装命令或代码内容。
内部技能参考
- context-fundamentals（skills/context-fundamentals/SKILL.md）
- context-degradation（skills/context-degradation/SKILL.md）
- context-compression（skills/context-compression/SKILL.md）
- multi-agent-patterns（skills/multi-agent-patterns/SKILL.md）
- long-horizon-prompting（skills/long-horizon-prompting/SKILL.md）
- memory-systems（skills/memory-systems/SKILL.md）
- tool-design（skills/tool-design/SKILL.md）
- filesystem-context（skills/filesystem-context/SKILL.md）
- hosted-agents（skills/hosted-agents/SKILL.md）
- context-optimization（skills/context-optimization/SKILL.md）
- self-managed-context（skills/self-managed-context/SKILL.md）
- latent-briefing（skills/latent-briefing/SKILL.md）
- evaluation（skills/evaluation/SKILL.md）
- advanced-evaluation（skills/advanced-evaluation/SKILL.md）
- harness-engineering（skills/harness-engineering/SKILL.md）
- self-improvement-loops（skills/self-improvement-loops/SKILL.md）
- project-development（skills/project-development/SKILL.md）
- bdi-mental-states（skills/bdi-mental-states/SKILL.md）
外部资源
- 关于注意力机制和上下文窗口限制的研究
- 领先 AI 实验室关于智能体系统设计的生产经验
- LangGraph、AutoGen 和 CrewAI 的框架文档
元数据
创建时间：2025-12-20；最后更新：2026-10-01；作者：Agent Skills for Context Engineering Contributors；版本：2.6.0。