Claude 5 模型上下文工程新规则
文章探讨了针对 Claude 5 模型的上下文工程新规则，指出新一代模型能力提升，允许大幅简化系统提示。主要变化包括：用模型判断替代硬性规则、用接口设计替代示例、采用渐进式披露、简化工具描述、使用自动记忆以及支持丰富引用。
🏷️ 上下文工程
9 篇2026年AI高手心法：吴恩达21节课深度笔记
文章总结了吴恩达2026年新课《AI Prompting for Everyone》，指出当前AI已从简单的聊天机器人进化为具备深度推理和多模态能力的工具。核心观点包括区分新手与高手的4大维度（问题难度、上下文、引导方式、写作流程）、利用3层信息架构解决知识局限、通过'渐进式大纲'避免AI废话，以及在推理时代如何运用评分卡和上下文工程来提升产出质量。
2026年AI Agent：学什么、做什么、跳过什么
本文探讨了在快速迭代的AI Agent领域中，如何辨别技术的持久价值与暂时噪音。作者提出了过滤新技术的五个维度，强调了“上下文工程”和“工具设计”作为核心原语的重要性。文章主张关注那些能经受时间考验的基础模式，而非追逐每周的新框架，并指出真正的专业技能在于知道该忽略什么。
AI Agent 学习指南：2026 年应学什么、构建什么以及忽略什么
本文针对 AI 领域快速迭代带来的焦虑，提出了一套判断技术价值的筛选标准，建议关注具有长期复利的“原始概念”而非短暂的封装框架。文章重点探讨了“上下文工程”的演变及“工具设计”的重要性，强调在混乱的生态中应保持耐心，注重核心模式与可衡量性，而非盲目追逐每周的新框架。
Hermes 给我的最大启发：上下文不是仓库，是工作台
本文指出 Agent 表现不佳往往是因为上下文管理不当，而非模型能力不足。文章引用多项研究证明长上下文不等于高效，并提出应像管理“工作台”而非“仓库”一样管理上下文。作者结合 Hermes 的实践，介绍了外部化记忆、子任务隔离、技能沉淀等策略，并重点推荐使用 XCrawl 等工具清洗网页噪声，以实现低噪、高效的 AI Agent 工作流。
如何对视频进行 Grep 检索
文章探讨了如何让 LLM 理解和处理海量视频数据。作者指出单纯依赖上下文窗口并非最佳方案，因为成本高昂且无法进行确定性检索。借鉴编程中的 Unix 模式，文章提出构建“中间表示层”，提前提取并结构化对齐转录、视觉、情感等多模态数据，从而实现对视频内容类似 Grep 的高效搜索与组合分析。
2026年AI趋势前瞻：从提示工程到上下文工程
本文探讨了2026年AI应用模式的根本转变。核心观点是从“提示工程”转向“上下文工程”，AI不再仅仅是聊天对象，而是构建工作环境的基础设施。文章详细论述了代理式编码（如Claude Code）、开源代理框架的成熟（如OpenClaw）、以及类似Karpathy倡导的复合型知识库系统，指出拥有持久且智能的上下文层将成为未来的核心竞争力。
While 循环谁都会写，上下文工程才是真功夫
本文深入探讨了 Agent 开发的核心——上下文工程。文章指出，虽然 Agent 的骨架是 LLM 加工具和循环，但决定其质量的关键在于如何管理每次循环中传给 LLM 的信息。作者通过分析 LLM 的无记忆特性、工具调用机制以及上下文窗口限制，阐述了优化系统提示词、工具描述和对话历史的重要性。结论是：Agent 工程的本质是上下文工程，代码骨架易写，但上下文的设计与调优才是核心能力。
长时间运行的应用开发中的编排框架设计
本文探讨了如何通过改进编排框架来解决 Claude 在长时间运行任务（如前端设计和全栈开发）中的局限性。作者受 GAN 启发，设计了包含规划器、生成器和评估器的多智能体架构。通过引入上下文重置机制、制定明确评分标准以及分离生成与评估环节，该框架成功实现了自主构建高质量全栈应用的能力，显著优于单智能体模式。