Effective context engineering for AI agents

简介

这是一篇 Anthropic 于 2025-09-29 发布的工程文章。它的核心判断是：随着 agent 进入多轮、长时、强工具使用的工作流，prompt engineering 已不足以描述真实工程问题，开发重点正在转向更宽的 Context engineering。

关键点

文章把 context engineering 定义为：在每次推理时，持续策划并维护“哪些 token 进入模型上下文”，而不只是写好 system prompt。
它明确把 prompt engineering 视为较窄的子问题；当系统里出现工具、Model Context Protocol (MCP)、外部数据、消息历史和运行时检索后，真正要优化的是整个上下文状态。
文章把 context 当成有限且会衰减的资源。随着 token 变多，模型会出现 context rot，注意力预算也会被不断稀释，因此“更多上下文”不自动意味着“更好表现”。
它给出的总原则很清楚：找出“最小的高信号 token 集合”，让模型最有可能产出目标行为。
system prompt 的设计重点不是越长越细，而是处在合适的 altitude。过度硬编码会脆，过度抽象又会缺乏行为锚点。
工具设计在这篇里被当成上下文设计问题的一部分：工具应该清晰、低重叠、token 高效，否则 agent 会在选择、误用和长回合维护中浪费上下文预算。
few-shot examples 仍然重要，但文章反对把大量 edge cases 当规则清单塞进 prompt；更好的做法是用少量 canonical examples 提供稳定信号。
文章更偏好 agentic retrieval 而不是一次性预取全部信息。让 agent 在运行时按需探索，通常比预先塞满索引、长摘要和静态上下文更稳。
同时它也承认存在混合策略：像 Claude Code 这样，先把 CLAUDE.md 一类稳定项目指令放入上下文，再通过 glob、grep 等工具做 just-in-time 检索。
对长时任务，文章重点列出三类 context engineering 技术：compaction、structured note-taking / agentic memory、以及 sub-agent architectures。
compaction 的重点不只是“缩短历史”，而是高保真地保留架构决策、未解问题和关键实现细节，同时清掉冗余工具输出。
structured note-taking 则把重要状态写到上下文外部记忆里，让 agent 能跨多轮、多次重置后继续推进复杂任务。
sub-agent 架构在这里的价值不是单纯并行，而是把大体量探索隔离在独立 context window 里，再向主 agent 返回压缩后的结果。
文章最后的工程建议仍然非常克制：随着模型更强，系统会逐步需要更少人类预先编排，但短期内最稳的原则仍是 “do the simplest thing that works”。

ℹ️ Conflict:

这篇强烈主张“最小高信号上下文”，但最小集合并不存在通用答案；任务目标、风险容忍度和可验证性不同，都会改变最佳边界。
它偏向 just-in-time retrieval 和渐进式探索，但在高时效、高结构化场景里，前置加载部分稳定信息仍可能更高效，因此预取与运行时探索通常是一条连续谱。
更大的 context window 会缓解一部分约束，但文章明确认为它不会消除 context pollution、信息相关性和注意力稀释问题，因此“等更大窗口”并不是长期解法。

来源引用

Anthropic, “Effective context engineering for AI agents”, 2025-09-29.
原文摘录：[llm-wiki/raw/anthropic/Effective context engineering for AI agents](/raw/anthropic/Effective context engineering for AI agents.md)

Effective context engineering for AI agents

简介

关键点

相关链接

来源引用