🏗️ 上下文工程基础
该技能提供管理 LLM 状态的理论与实践框架。上下文不仅是“记忆”，而是模型在推理时可关注的完整数据集（指令、工具、文档、历史）。
心智模型：上下文工程是一门学科，旨在筛选出最小的高信号 token 集合，以最大化任务成功的概率。
🚩 脆弱性与自主性
脆弱性：低。这些是适用于几乎所有 AI 系统的基本原则。
自由度：根据模型能力（如 128K 与 2M token）在战术应用上为中等。
🚀 何时激活
设计新的智能体架构或工作流时。
调试与遗忘或分心相关的意外行为时。
优化 token 使用以降低延迟或成本时。
向团队新成员介绍“上下文工程”概念时。
🧠 核心概念
- 上下文解剖
上下文由五个具有不同生命周期的不同块组成：
块 | 功能 | 持久性
系统提示 | 身份与规则 | 高（静态）
工具定义 | 能力（API） | 高（静态）
检索文档 | RAG 知识 | 中（即时）
消息历史 | 任务状态 | 低（易变）
工具输出 | 观察 | 极低（高噪声）
- 渐进式披露原则
不要一次性加载所有内容。只在下一步逻辑需要时加载信息。
启动：仅加载技能的名称和描述。
激活：仅在技能被激活时加载其完整内容（SKILL.md）。
- 注意力预算
尽管 Gemini 支持 2M token，但“有效注意力预算”更低。信号密度在上下文中间会下降（Lost-in-Middle 迷失在中间）。
🛠️ 在 Gemini Elite Core 中实现
模式：层级式提示结构
使用清晰的标题和 XML 分隔符来分离关注点。
<BACKGROUND> 项目上下文与偏好。 </BACKGROUND> <INSTRUCTIONS> 原子规则与行为指南。 </INSTRUCTIONS> <TOOL_GUIDANCE> 何时使用哪个工具。 </TOOL_GUIDANCE> <OUTPUT_SCHEMA> 预期的响应格式。 </OUTPUT_SCHEMA>
模式：高度校准
低（脆弱）：“如果发生 X，做 Y，然后 Z”。（过于僵硬）。
高（模糊）：“帮助用户编程”。（过于含糊）。
最优（启发式）：“优先考虑可读性而非简洁；使用严格类型；在提议更改前验证测试”。
🔗 集成
context-degradation：当这些基础失败时会发生什么。
context-optimization：延长注意力预算的技术。
tool-design：工具如何消耗和生成上下文。
📚 内部参考
references/context-components.md：每个上下文组件的详细技术参考。