Effective Context Engineering for AI Agents

它做什么

• 把上下文工程定位为提示词工程的后继：在每一轮迭代地筛选最优 token 集——系统指令、工具、MCP、外部数据、消息历史
• 命名了「context rot」失效模式与注意力预算心智模型：注意力是有限资源，上下文越长边际收益越低
• 按需检索优于预计算检索：上下文里只留轻量标识符（文件路径、存储的查询），数据运行时再载入——Claude Code 自身就采用这种混合策略（CLAUDE.md 预载 + glob/grep 按需）
• 长跑技术：压缩（Claude Code 总结历史并保留最近访问的五个文件）、结构化笔记（memory 工具，公测中）、子代理架构（内部可能烧掉数万 token，通常返回 1,000–2,000 token 的摘要）

什么时候用

当原型开始被自己的上下文淹没时，《Building Effective Agents》的天然续篇——适合所有构建长跑生产级 agent 的人在设计期通读；文末指向 memory 与上下文管理 cookbook。

如何上手

无需安装——anthropic.com 上的工程文章（2025 年 9 月 29 日发布，Applied AI 团队撰写）。

注意事项

运行时探索比取预计算数据慢，工具设计不当时 agent 会滥用工具、追死胡同而浪费上下文。过于激进的压缩会丢掉细微但关键的上下文。文中明说这套方法论仍在演进——「先做最简单可行的事」。