标签: 上下文工程

动作结构化之后，工具从 1 个 bash 涨到 100 多个，提示词先被挤爆；各家又实现了各自的接口，N 个应用接 M 个工具要写 N×M 套适配。两个问题，两个答案：按需加载和 MCP。系列第 5 篇。

压缩是急救，不是长治久安。真正重要的信息应该放在对话外面：存，主要靠文件系统和跨会话记忆；取，11 家生产级 Agent 没有一家用向量 RAG 读代码。链一收尾，系列第 3 篇。

Agent 干活干到一半开始忘事，这是上下文被稀释的信号。生产级 harness 的标准应对是 compaction：阈值触发的记忆压缩。七家系统各自怎么做，代价是什么，这是系列第 2 篇。

LLM 的对话看起来是连续的，其实每次调用都是失忆重读。这个不起眼的技术事实，是 Agent 领域一半概念的源头。系列第 1 篇，从无状态讲起。

MCP、skill、compaction、subagent……Agent 领域的名词单查都能查到定义，查完还是不知道它们为什么存在。我把它们按因果关系理成四条链，这是系列的第 0 篇。

AI 对话效果不好，通常是两个原因：话没说清楚，或者该给的信息没给到。前者是 prompt 工程，后者是 context 工程。