context-engineering

面向 AI Agent 的上下文工程技能：审计会话中的低相关、过期与重复内容，核算 token 预算与剩余窗口风险，按相关性·冗余·预算·衰减四维度裁剪记忆，调整 RAG 召回与工具编排顺序并设置新信息门禁，附带可运行的 Python 预算计算脚本。

zhaoxinghua09-cell

热度 49.34

最近更新 2026-10-17 08:55:18

分类：开发依赖：代码执行 / 读写文件应用场景：摘要总结 / 工作流 / 报告撰写 / 数据处理

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add zhaoxinghua09-cell/context-engineering

Metadata

name: context-engineering
display_name: 上下文工程（Context Engineering）
display_name_en: Context Engineering
description: 当用户说『AI越来越笨/答非所问/忘了前面的设定』『上下文太长』『token烧太快』『RAG召回不准』，或要设计/优化 agent 的提示、记忆、检索、工具编排时使用。把『上下文窗口里到底该放什么』当成一门工程：审计相关性·冗余·预算·衰减四维度，给出裁剪/检索/记忆/门禁四步流程与可运行脚本。触发词：上下文工程、context engineering、上下文窗口、上下文污染、上下文衰减、context rot、token预算、RAG召回、记忆编排、agent上下文、长上下文优化。
version: 1.0.1
agent_created: true
author: 诺声(Logos)@SynomosAI
license: MIT
license_scope: 代码（.py 文件）MIT；本 SKILL.md 与其中理论文本不在 MIT 覆盖范围内（见文末「License & attribution」）
allowed-tools: Read, Glob, Grep, Write, WebFetch, WebSearch
category: AI工程方法
platforms: ["windows","macos","linux"]
read_when: ["AI 在长对话/多轮任务里开始答非所问、遗忘早期约束","要搭建或优化一个 agent 的 system prompt / 记忆 / 检索 / 工具返回","token 消耗异常高，怀疑上下文里有冗余或重复内容","RAG 召回的文档塞进上下文后反而让回答变差","用户抱怨「你上次说的怎么不算数了」"]
tags: ["上下文工程","context engineering","上下文窗口","token预算","RAG","记忆编排","agent优化"]
slug: context-engineering
title: 上下文工程（Context Engineering）
copyright: SynomosAI
description_zh: 把『上下文窗口里到底该放什么』当成一门工程：审计相关性·冗余·预算·衰减四维度，给出裁剪/检索/记忆/门禁四步流程与可运行脚本（上下文预算计算器+审计清单生成器）。
description_en: Engineer what goes into the context window: relevance audit, memory/retrieval/tool orchestration patterns to fix degraded answers, context overflow and token burn.
classification: {"skillhub":["security-compliance"],"iso_25010":["Security"]}
risk_tier: medium
risk_rationale: 门禁批量补丁默认 medium：调用 API/读写文件/本地执行，最小权限，密钥走 Secret；若实际涉对外代执行(push/发布/发送/上架)须人工复评，改 high。
ai_protocol: true
spec: usk/1.0
interface: {"type":"cli","entry_point":"scripts/context_budget.py","runtime":"python3","call_pattern":"args"}
input_schema: [{"name":"window","type":"int","description":"上下文窗口 token 上限默认128000","required":false},{"name":"block","type":"string","description":"stdin 归属块名","required":false}]
output_schema: {"stdout":"各块 token 预算分配建议","exit_code":{"type":"integer","description":"0=OK/PASS; 1=findings/warnings; 2=usage or argument error"}}
capabilities: ["context_budget","llm_engineering","optimization"]
permissions: {"network":false,"filesystem":false,"subprocess":false}
requirements: {"python_packages":[],"min_python":"3.8"}
changelog: 1.0.1: Bilingual rewrite (full EN+ZH, English first); 1.0.0: initial upload (USK v3)

凡自治之物 · LGD 治理学 · 创造术家族｜评测协议：skill-quality-gate（外部公开评测门禁文档）

English

When to use

The model starts giving off-topic answers or forgetting earlier settings ("context pollution / decay").
Designing / optimizing an agent's prompt, memory, RAG retrieval or tool orchestration.
Token burn is high; the context window is too long; memory orchestration needs refinement.
Trigger words: "context engineering", "long-context optimization", "RAG recall".

Usage

Run context_budget.py --calculate to estimate current token budget and remaining window.
Set --budget_limit (int) and --model_name for model-specific advice.
context_budget.py --audit produces a relevance/redundancy checklist.
For doc-style tasks, read the in-file function library for memory-decay and retrieval-recall helpers.

Flow

Context audit: scan interaction history; flag low-relevance, stale or duplicate info.
Budget accounting: compute current token share and remaining-window risk.
Trimming: apply the four-dimension standard (relevance / redundancy / budget / decay); compress memory.
Retrieval tuning: adjust RAG recall params and tool order so key data loads first.
Gate check: gate new incoming info so new tokens don't overwrite old key settings.
Closed loop: re-inject the optimized context into the model; log adjustments.

Evidence & safety

Evidence: TBD. Version: 1.0.1. Security: no independent scan (TBD).

中文

何时用

当用户反馈模型"答非所问"、"遗忘设定"或遭遇"上下文污染"、"上下文衰减"等质量问题时。
在进行 Agent 设计、优化提示词（Prompt）、记忆管理或 RAG 检索策略的技术调试与评估场景。
监控对话成本，涉及"token 预算烧太快"、"上下文窗口过长"或需要精细化"记忆编排"时的决策节点。
触发关键词包含"context engineering"、"长上下文优化"、"RAG 召回"及具体指标时自动介入。

用法

执行核心计算脚本 context_budget.py，启用 --calculate 模式以输出当前对话的 Token 预算与剩余窗口估算。
配置 --budget_limit 参数（整数）以设定最大可接受上下文长度，配合 --model_name 指定目标模型优化建议。
调用 context_budget.py --audit 生成包含相关性、冗余度评分的详细清单，用于审查历史会话质量。
对于文档型任务，可通过读取 context_budget.py 文件内的函数库获取预定义的"内存衰减"与"检索召回"算法接口。

流程

上下文审计：扫描当前交互历史，识别低相关性、过期或重复信息（使用审计清单生成器）。
预算核算：调用 context_budget.py 计算当前输入占用的 Token 比例及剩余窗口风险。
信息裁剪：依据四维度标准（相关性·冗余·预算·衰减）删除不必要节点，实施记忆压缩。
检索优化：调整 RAG 召回参数与工具编排顺序，确保关键数据被优先加载。
门禁校验：对新进入的信息进行"上下文门控"检查，防止新 Token 覆盖旧的关键设定。
闭环反馈：将优化后的上下文结构重新注入模型，并记录本次调整日志用于下一轮参考。

证据与安全声明

证据：TBD（暂无评测/徽章链接；产生后在此更新实际链接）
版本：1.0.1
安全：未做独立安全扫描（TBD），结论待补；补全前不作推荐背书。