Context Engineering：把注意力留给当前任务

先说结论

上下文工程的目标不是“尽量多喂资料”，而是在每一步给模型最小、足够、高信号的信息。上下文窗口越大，不代表判断一定越准；任务说明、工具输出、历史记录和外部资料都在争夺同一份注意力预算。

原文解决什么

传统 prompt engineering 主要关心指令怎么写。Agent 会连续调用工具、产生结果并跨多轮工作，问题扩大成：什么信息何时进入上下文、哪些内容应移出、丢失后能否恢复。文章给出一套从系统指令、工具设计、示例、按需检索到长任务压缩的统一心智模型。

核心机制

• 系统指令保持在合适高度：足够具体，能指导行动；又不写成脆弱的逐步 if-else。
• 工具名称、参数和返回值要清楚且少重叠。模糊工具会消耗选择成本，长返回值会污染后续判断。
• 预先只放稳定入口和轻量标识；文件路径、查询、链接等细节由 Agent 在需要时拉取，实现渐进披露。
• 长任务可组合三种手段：压缩历史、把进度写到上下文外的结构化笔记、把独立探索交给干净上下文。它们解决的问题不同，不能互相冒充。

和 Zero-to-AI 现有实践如何接上

练习仓中的 AGENTS.md 可以保存每次都要遵守的短规则；这个站点仓当前只提供 AGENTS.md 教程，并没有根级规则文件。教程和方法论放在 src/content/docs/，需要时再用文件路径和搜索定位。git status、git diff 与 npm run verify 应作为可重新取得的运行证据，而不是整段永久塞入会话。

判断一条信息是否常驻，可以问：每次任务都需要吗？如果不是，就保留一个可靠入口，让 Agent 在命中条件时再读正文。

一个低成本实验

输入： 一个有 20 个以上 Markdown 文件的本地仓库，以及“修正某一页的一个事实或断链”任务。

步骤：

1. A 轮把目录树、多个全文和完整构建日志一次性贴入上下文。
2. B 轮只给任务、练习仓中真实存在的 AGENTS.md 和目标路径线索，让 Agent 用 rg 按需读取；若文件不存在，就用 README 与目标路径做对照，不假装已配置规则。
3. 两轮都运行同一最小检查，记录读取文件数、无关工具输出量、最终 diff 和错误次数。
4. 若 B 轮漏掉关键约束，只补一个稳定指针，不把全部材料重新常驻。

成功证据： B 轮在满足同一验收的前提下，读取更聚焦、无关输出更少，且能说明关键事实来自哪个文件。

停止线： 两轮任务或模型不同，或没有同一验收命令时停止比较；那样只能得到印象，不能归因于上下文策略。

常见误区

• “上下文越长越安全”：低相关信息也会挤占注意力，并可能互相矛盾。
• “压缩等于无损记忆”：摘要会丢细节，关键决策和未解决问题需要可恢复的外部记录。
• “动态检索总是更好”：它有延迟和走偏成本；高频稳定规则仍适合预加载。

原文与证据边界

文章讨论的注意力退化、压缩、记忆和多 Agent 是设计建议，不保证在每个模型与任务上同幅度生效。本站能验证仓库的文件分层与命令入口；具体 token、质量和延迟收益必须通过上述对照实验测量。

本文是原创中文实践解读，不是逐句翻译。阅读英文原文。