上下文工程

子智能体该不该并回主循环：一份架构取舍清单原文：Anthropic Blog - 《Building agents: When to fold subagents into your main agent loop》（https://claude.com/blog/building-agents-when-to-fold-subagents-into-your-main-agent-loop）

for_ever_love__

上下文工程：比提示词工程更重要的事提示词工程问的是"这句话该怎么说"。上下文工程问的是"该给模型看什么"。后者对效果的影响，往往比前者大一个数量级。

Agent 一次要读多少资料？做项目简报时，Agent 一次要读多少资料，没有统一的文件数量标准。应先明确简报要回答的问题，把任务约束保留在上下文中，再读取当前步骤需要的资料。涉及进度，就查进度记录；涉及变更，就补上变更单和关联记录。只有相关证据不足，才扩大读取范围，不能用“文件都传进去了”代替覆盖检查。

小模型也能做数据分析智能体：把 harness 收窄做小原文：NVIDIA Technical Blog - 《Building Reliable Data Analytics Agents: Lessons from the KDD Cup》（https://developer.nvidia.com/blog/building-reliable-data-analytics-agents-lessons-from-the-kdd-cup/）

I Am a robert girl

谷歌迈出RSI一大步：从Gemini模型迭代看AI工程化的新风向从今天觉醒,技术赋予每一个人数字生命近期，行业内关于“Gemini模型迭代登顶，谷歌在RSI（相对优势指数，此处代指大模型综合相对竞争力指数）上迈出一大步”的讨论热度居高不下。抛开各种情绪化的“AI军备竞赛”叙事，作为技术开发者，我们更应该关注这些技术跃升背后的工程范式转移。大模型的能力天花板正在被不断推高，但这对于普通开发者、在校学生和转行者意味着什么？我们该如何在这个快速变动的技术周期中找到自己的生态位？

大语言模型（LLM）核心技术梳理：从词元化到 RAG 的工程实践Token（词元）是文本的基本单位。Tokenizer 的作用是把清洗后的文本字符串切分成有意义的基本单元序列，并构建词表（vocabulary）。例如句子 "I want a beer! Beer is cute!" 会被切分成 ["I", "want", "a", "beer", "!", "Beer", "is", "cute", "!"] 等 token，再映射为整数索引，形成训练数据。

读《OpenViking：上下文数据库架构介绍》有感前阵子在改造基于 RooCode 的本地知识库查询时，我曾做过一个尝试：把文件的路径、所属项目以及代码块的方法名等元数据，显式地写入到向量存储中。当时的目的很简单——在代码知识库这种场景里，纯粹依靠向量做相似度检索时，召回内容的相关度太低了。

智能体面试准备（六十一）：智能体上下文工程 Context Engineering——上下文预算、压缩、优先级与多轮演进前面（五十九）长期记忆、（四十一）记忆架构讲了"记忆怎么存"。本文讲"每次推理把什么放进上下文窗口"——这正是 2025-2026 最热的 Context Engineering。同样的模型，上下文编排好坏，agent 表现能差一个量级。它和提示工程（Prompt Engineering）的区别在于：提示工程雕"一句话"，上下文工程雕"整个窗口的信息结构与取舍"。

小田学Python

上下文工程：Agent 的“工作台”收拾好没两个人用同一个大模型做 Agent，一个稳一个傻。差别往往不在模型，而在“工作台上摆了什么”。上下文工程，就是 Agent 最重要的工程能力之一。

LLM - 大模型上下文窗口管理的那些事：从长度焦虑到上下文工程上下文窗口曾经是模型能力的天花板，如今它更像是一门需要精心经营的资源管理艺术。当模型的注意力有了标价，如何在有限的窗口里放对信息、放好信息，成了决定 Agent 成败的关键。

正在走向自律

AI 辅助研发内部复盘（4/5）：约束、上下文与技能——把“人的判断”工程化在前三篇复盘中，我们探讨了工具选型、老项目改造路径以及人机协作边界。然而，随着 AI 在团队内的普及，一个新的瓶颈逐渐浮现：AI 的“幻觉”与“发散”。它经常写出不符合团队规范的代码，或者在重构时破坏隐式的业务规则。本篇作为系列复盘的第四篇，将聚焦于上下文工程（Context Engineering）与约束管理（Constraint Management）。我们将论证，AI 辅助研发的高级阶段，本质上是将人类工程师的经验、判断与底线，转化为 AI 可执行的“法律”。文章将通过三个硬核的代码案例——基

【Java/Go后端手撸原生Agent（第七篇）：Token预算管理 + 滑动窗口上下文裁剪】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → Phase 7 Token预算与上下文管理（本文）上一篇链接：Java/Go后端手撸原生Agent（第六篇）：流式输出让Agent思考过程"看得见"

【Java/Go后端手撸原生Agent（第八篇）：摘要压缩——让Agent“记要点“而不是“记流水账“】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → [Phase 7 Token预算与滑动窗口] → Phase 8 摘要压缩（本文）上一篇链接：Java/Go后端手撸原生Agent（第七篇）：Token预算管理 + 滑动窗口上下文裁剪

从 Prompt 到 Context Engineering：如何用 StarRocks 构建 AI Agent 的实时上下文引擎？全球 Lakehouse 架构的部署正在加速普及。然而，一个更深层的范式转变正在悄然发生：企业数据基础设施的服务对象，正在从人向 AI 迁移。

【Agent】AI编程工程化实践 —— Context上下文工程，SDD规范驱动开发，MCP&Skills【Agent】AI编程工程化实践 —— Context上下文工程，SDD规范驱动开发，MCP&Skills

Cursor 的上下文工程新思路：把一切变成文件最近读到 Cursor 官方博客的一篇文章：Dynamic context discovery。这篇文章不长，但我觉得它讲中了 Coding Agent 进化里非常关键的一点：Agent 变强，当然离不开模型能力提升，但同样重要的是 Context Engineering，也就是如何给模型提供上下文。

RAG 与 AI Agent：智能体真的需要检索增强生成吗？很多企业做 AI 应用时，第一反应都是上 RAG：把内部文档切片、向量化、放进向量库，然后让大模型基于检索结果回答问题。

程序员学习Chat

大模型应用开发-2 上下文工程参考论文：《A Survey of Context Engineering for Large Language Models》

最初的↘那颗心

企业级 AI Agent 工程方法论：上下文工程与记忆体系实战（中）上一篇我们聊了 AI Agent 的核心架构、工具工程化和 RAG 演进路径。这篇来讲两个在生产中极其关键但容易被忽视的环节：上下文工程和记忆生成流水线。大部分 Agent 在生产中翻车，根因往往就出在这两块。