🏷️ 上下文管理

上下文工程规则已变：Anthropic 删减 80% 指令的实践

Anthropic 工程师 Thariq Shihipar 分享了构建 Claude Code 的发现，团队删除了 80% 的系统提示词后性能未受损。文章介绍了“4层上下文审计”框架，指导如何清理常驻指令、记忆、知识文件等冗余信息，以适应新模型的高推理能力，避免过度指令导致的性能下降。

炸裂，Anthropic 给 Opus 5 删掉了 80% 的系统提示词

Anthropic 团队将 Claude Code 的系统提示词删减了 80%，但编码评测没有损失。文章指出，许多规则是为老模型打的补丁，已过时。最佳实践转向：用锚点代替禁令，用接口设计代替举例，以及渐进披露。建议开发者清理“拐杖”型规则，保留护栏与品味，用评测集支撑删除决策。

构建智能代理的三层架构：Loop、Graph与Harness

本文提出解决Agent重复读取数据和Token浪费的三层架构方案：Loop负责单元工作的收集-行动-验证闭环；Graph通过分发和并行管理复杂任务；Harness作为运行时环境提供工具和上下文隔离。文中提供了具体的代码实现思路和实战演示。

推荐这期 Pi 插件合集

文章推荐了6个实用的Pi插件，包括必装的pi-agent-extensions、多代理协作的pi-agents-team、跨会话记忆增强插件、上下文工程工具以及连接Claude Code生态的桥梁插件，旨在提升Pi作为Agent Harness的扩展能力和效率。

The context gold rush: Why everyone is building the same thing

文章分析了当前 AI 领域的“淘金热”——上下文管理。作者指出，从 Jevons 悖论到数据主权，多因素驱动了初创公司和大企业竞相构建公司大脑或 LLM 知识库。尽管切入角度各异（如个人知识库、代理内存、可观测性工具等），但核心目标一致：为未来的智能体劳动力提供数据上下文层。文章认为该领域潜力巨大，但也面临产品同质化。

5步构建低Token消耗的自治Agent系统

文章介绍了构建消耗Token减少90%的自管理Agent系统的五个步骤：将上下文移出窗口、使用子代理处理脏活、利用自管理内存、避免破坏缓存以及手动管理上下文。强调了通过优化上下文管理和缓存机制来降低成本和提升效率的重要性。

Fable 实战指南：如何发现与处理你的盲点

文章探讨了在使用 Claude Fable 5 进行 AI 辅助编程时，“地图”（提示词）与“领土”（实际代码库）之间的差异，即“未知数”。作者提出了将未知数分为已知的已知、已知的未知、未知的已知和未知的未知四个维度。为了解决这些瓶颈，文章详细介绍了在实施前通过“盲点排查”、头脑风暴与原型、访谈和引用参考四种模式来帮助 Claude 更好地理解上下文，从而提升 Agent 编码的质量。

老师如何用 WorkBuddy 打通备课全流程

本文分享了在承德应用技术职业学院进行的教师培训实录，核心在于如何利用 WorkBuddy 将 AI 应用从单点问答升级为 Agent 流程化工作。文章详细拆解了从阅读课程标准、搜索资源、映射材料到生成教案的完整备课链路，并介绍了 SGP 提示词结构、Agentic Search 搜索循环以及将流程固化为 Skill 的方法，旨在帮助教师掌握“给 Agent 派活”的高效工作模式。

极客风格的 Agent Skills 管理实践：利用软链接实现高效复用

本文分享了一种“极客风格”的 Agent Skills 管理策略，旨在解决全局 Skills 占用过多上下文窗口及维护混乱的问题。核心方案包括：仅在项目内安装必要的 Skill 以节省空间；利用软链接（类似快捷方式）将项目内的 Skill 指向统一的 GitHub 仓库原件。这种方法不仅便于统一管理和更新（一次修改，全局生效），还能将 Bug 修复直接反哺开源项目。同时，作者建议利用 Agent（如 Codex）自动执行软链接命令，降低技术门槛。

构建优秀的垂直领域 Agent：以 Shortcut 为例

本文探讨了如何构建一个在实际应用中表现卓越的垂直领域 Agent。作者结合开发 Shortcut 电子表格 Agent 的经验，提出核心原则是“对任务分布的忠实压缩”。文章详细介绍了“分层缓存”架构，将上下文分为 L1（常驻核心）、L2（按需规格）和 L3（兜底参考），以平衡效率与准确性。同时强调了“单工具优于多工具”的策略，主张通过代码执行来统一能力，降低模型决策复杂度，从而在长尾任务中实现高准确率。

I Turned Claude Opus 4.8 Into My Entire AI Operating System

本文介绍了如何利用 Claude Opus 4.8 构建个人 AI 操作系统的实践。作者提出了“上下文为王”的核心理念，详细阐述了包含“上下文、连接、能力、节奏”的四层架构（4C's），并分享了组织文件、建立工具连接以及使用 /insights 指令进行自我审计的方法，旨在打造一个统一的、非状态化的智能工作流。

Hermes Harness 架构深度解析

本文深入分析了 NousResearch 的 Hermes 开源 Agent Harness 架构。文章指出 Hermes 全面实现了包括上下文管理、子代理管理、会话持久化等在内的九大核心组件。作者详细探讨了其独特优势：统一的运行时支持多种模型提供商、复杂的三层系统提示词组装、基于 SQLite 的会话即基础设施设计，以及内置的消息网关和 Cron 系统。文章最后展望了其向一级编排能力演进的方向。

Claude Code 正在创造新型开发者：从 AI 助手到智能编排

文章探讨了软件开发的范式转移，指出开发者不应仅将 AI 视为简单的聊天或代码生成工具，而应构建围绕智能体（Agent）的完整操作系统。通过优化上下文管理、工作流编排和长期记忆系统，开发者能将 AI 转化为高效的工程系统。这种从“写代码”到“编排智能”的转变，将是未来的核心竞争力。

如何构建 AI 原生初创公司

本文探讨了 AI 原生初创公司的核心定义：通过减少人员协调、让 AI 智能体执行重复性任务，从而实现更快的迭代速度。作者为创业者提供了一套从零开始的实操指南，包括：绘制工作图谱并按自主等级分类、构建 Git 版本化的上下文系统（Context System）、以及选择高频、可逆的工作流进行自动化。

解锁 Claude 90% 的能力：18 个步骤构建 AI 工作流

文章指出大多数用户仅发挥了 Claude 10% 的潜力，并分享了博主 @cyrilXBT 提出的 18 步框架，旨在将 Claude 从简单的聊天界面转化为强大的智能推理引擎。该框架涵盖四个阶段：基础层（上下文配置、CLAUDE.md）、质量层（角色分配、提示词链）、系统层（Skill 文件、MCP Server）和智能层（复利心态）。通过构建上下文、记忆、工具和约束系统，用户可以最大化释放大模型的能力。

腾讯开源 AI Agent 运行时系统 TencentDB Agent Memory

文章深度解析了腾讯开源的 TencentDB Agent Memory 系统。不同于市面上的“向量数据库+RAG”方案，该系统旨在解决长任务中的“上下文退化”问题。其核心创新在于短期压缩（Offload 机制）与长期记忆（四层流水线）的结合，通过三层回溯、任务图动态压缩及结构化记忆提取，有效管理了 Agent 的上下文窗口与记忆生命周期。

Agent Harness 拆解：AI Agent 的工程化基础设施

本文深入探讨了 Agent Harness 的概念，即包裹在 LLM 外部、将无状态模型转化为可用智能体的完整软件基础设施。文章引用了 Anthropic、OpenAI 和 LangChain 的实践，详细拆解了生产级 Harness 的 12 个核心组件（如编排循环、记忆系统、上下文管理、验证循环等），并阐述了如何通过优化这层“操作系统”来解决遗忘、工具调用失败和上下文腐烂等工程难题。

企业级 Agent 构建指南：Deep Research 原理与多 Agent 架构

本文详细解析了企业级 AI Agent 的构建方法，重点在于通过多 Agent 系统解决复杂任务。文章从 Agent 的核心定义出发，区分了 Workflow 与 Agent 的适用场景，并深入探讨了多 Agent 系统的编排模式、上下文管理及信息传递机制。作者以 Deep Research 为例，拆解了其工作原理与架构设计，强调了在 AI 变现中做定制化项目的价值。

Claude Code 进阶：14 个让 AI 处理脏活累活的高级技巧

本文是 Claude Code 的进阶指南，承接上篇基础配置，深入探讨了如何利用 AI 进行高强度开发。文章从上下文管理（如主动压缩、瘦身系统提示）、高级工作流（Git Worktrees、多标签页）、实战场景（PR 审查、DevOps、写作）及避坑指南四个维度，分享了 14 个实用技巧，旨在将开发者从繁琐的脏活累活中解放出来。

Agent 记忆架构指南：为什么你需要 Wiki 和 录音

文章探讨了 AI Agent 开发中的记忆瓶颈，指出单纯扩大上下文窗口并不足以解决遗忘问题。作者提出了 GBrain 和 Lossless 两个核心模式：GBrain 像公司 Wiki，用于跨会话查询事实和决策；Lossless 像会议录音，允许在长对话中无损检索原始细节。文章详细解释了二者的区别、应用场景以及如何在 OpenClaw 和 Hermes 运行时中集成。

让 Claude 发挥最大潜能的 20 条提示词规则

文章指出大多数人将 Claude 仅仅视为搜索引擎，忽略了上下文、角色和约束的重要性。作者提出了 20 条核心规则，涵盖了设置（赋予角色、定义受众、设定长度）、上下文（提供完整文档、告知背景、明确目标）以及输出（要求先思考、多版本迭代）等方面。掌握这些方法论而非死记硬背特定指令，能显著提升 Claude 的回答质量和实用性。

Agent Skills：从通用智能到可执行能力的跨越

文章探讨了如何通过 Anthropic 提出的 Agent Skills 概念来解决大语言模型在实际应用中“执行”能力的缺失。作者指出，AI 不仅仅需要指令和提示词，更需要通过结构化的技能包来封装上下文、指导和执行逻辑。文章详细分析了技能的内部结构（如 SKILL.md 和可执行代码）以及“渐进式披露”在上下文管理中的作用，强调了从单纯的 Prompt 工程向系统设计与安全构建转变的重要性。

你不知道的 Agent：原理、架构与工程实践

本文深入剖析了 Agent 系统的工程实现，强调 Harness（测试与约束基础设施）比模型能力更关键。文章详细阐述了 Agent Loop 的稳定性、上下文分层管理以避免 Context Rot、工具设计的 ACI 原则、记忆系统的多维度分类，以及基于失败案例的评测体系。最后通过 OpenClaw 案例，展示了如何利用 Prompt Caching 和按需加载 Skills 来优化系统架构。

Sub-Agents vs Agent Teams: 改变一切的架构决策

文章深入探讨了在构建复杂 AI 系统时，如何在“子代理”和“代理团队”两种架构模式之间做出正确选择。作者指出，大多数系统错误的按角色（如规划员、开发员）拆分，导致上下文丢失；正确的做法应是基于上下文边界进行拆分。Sub-agents 适用于独立的、需要隔离和并行处理的任务，专注于执行；而 Agent Teams 适用于需要深度协作、上下文共享和实时协调的复杂依赖任务。文章还总结了提示链、路由、并行化等 5 种核心设计模式，并强调了从简单开始、按需增加复杂度的原则。

开源「洁癖.Skill」，让你的Agent越用越聪明

文章介绍了一款名为“洁癖.Skill”的开源工具，旨在解决Agent长期使用后因上下文和文档混乱导致的“越用越笨”问题。该Skill通过自动审查和迭代项目的文档、记忆及配置文件（如CLAUDE.md），确保知识库的准确性，适用于Claude Code、Codex等多个平台。作者提出“合并优于追加，删除优于保留”的原则，强调在AI协作中保持信息纯净比信息海量更重要，这能让开发者通过“存档”机制实现Agent的持续进化。

傻子可懂的 Harness Engineering 入门教程 + 项目实战

本文深入浅出地讲解了 AI 编程领域热门的 Harness Engineering 概念。文章将其定义为围绕 AI 模型搭建的一整套工作环境与流程，对比了提示词工程、上下文工程的演进关系，并详细拆解了上下文架构、执行能力、任务编排、反馈机制和架构护栏五大核心模块。作者结合“万能视频下载总结器”的全栈项目实战，展示了如何利用 Plan Mode、MCP 工具、Browser Use 及文档沉淀等技巧，让 AI 持续、靠谱地完成复杂工程任务。

使用 Subagents 保持 Claude Code 上下文整洁

文章介绍了 Claude Code 中 Subagents 的概念与应用。Subagents 是运行在独立上下文窗口中的专用助手，可隔离运行环境并仅返回结果。文章详细说明了如何通过 Markdown 文件创建 Subagent，内置的 Explore 和 Plan 功能，以及通过环境变量或命令上下文继承的 Fork 机制，有效避免主上下文被冗余信息污染。

AI Agent Harness 解析：为何智能体在生产环境中会崩溃

文章指出，许多所谓的“AI 智能体”实际上只是连接了工具的模型，演示完美但上线即崩。核心问题往往不在模型本身，而在于支持其运行的“Agent Harness”（智能体挽具/系统）。文章详细解析了 Harness 的三层工程架构（提示工程、上下文工程、系统挽具工程），阐述了编排循环、上下文管理及工具接口的实现机制。作者强调，真正的工程杠杆在于优化这个将无状态模型转化为行动能力的系统，而非盲目更换底层模型。

Agent 工程方法实践：Claude Code 与 OpenClaw 的深度对比

文章深入对比了 Claude Code 和 OpenClaw 两个 Agent 框架的工程实现。两者虽都采用 Agent = Model + Harness 的理念，但架构迥异：Claude Code 采用分层堆叠架构，服务于单线程深度编程场景，追求精确可控；OpenClaw 采用管道架构，面向多并发的生活场景，追求自主进化。文章从架构、循环、工具、指令、上下文、记忆等九个维度详细拆解了各自的工程设计权衡。

如何优化你的 AI Harness：配置、框架与子代理指南

文章指出工程师的关注点已从 IDE 转向 AI Harness，并介绍了提升 Harness 输出质量的关键方法。核心策略包括：保持配置文件（如 .md）精简，采用渐进式披露原则以节省上下文；利用 R.P.I 框架（Research, Plan, Implement）像资深工程师一样分解问题；以及通过子代理清理主上下文窗口。文章强调，Harness 的核心在于工程判断力。

如何优化 AI 编程中的 Harness 配置

本文探讨了在 AI 辅助编程中，如何通过优化 Harness（套件）配置来提升代码输出质量。文章提出了三个核心建议：保持配置文件的精简与人工编写，利用 R.P.I. 框架（Research, Plan, Implement）在更高抽象层次上进行交互，以及使用子代理来维护主上下文的清洁。文章强调了工程判断力在 Harness 设置中的重要性。

使用 Claude Code：会话管理与 100 万上下文

本文详细介绍了 Claude Code 的会话管理策略。在 100 万 Token 上下文窗口的背景下，文章探讨了上下文衰减、压缩与清空的区别、回溯功能的优势以及子智能体的应用。文章指出，理解何时开新会话、如何有效利用 /rewind 修正错误，以及通过压缩或清空管理上下文，是提升 Claude Code 使用体验的关键。

解析器：智能体的路由表

本文探讨了构建高效 Agent 系统中的关键组件“Resolver”（解析器）。作者指出，与将所有知识塞入系统提示词导致性能下降不同，Resolver 作为一个上下文路由表，能根据任务类型动态加载相关文档。文章通过纠正文件分类错误的实例，展示了如何利用 Resolver 管理技能调用，解决“技能不可见”问题，并通过评估测试确保路由的准确性，从而实现智能体的持续记忆与有效检索。

三省六部幻觉：为何虚拟公司式多Agent架构在工程上不成立

文章批判了将多个AI Agent拟人化为“产品经理”、“工程师”等角色进行流水线协作的“三省六部”架构。作者指出该模式忽视了LLM无专业壁垒的特性，导致推理过程在传递中衰减。通过对比Anthropic、OpenAI和Google的工程实践，文章提出真正的多Agent架构应依赖显式状态文件、并行搜索而非线性分工，并强调保持推理链连续性比角色扮演更重要。

不懂 Harness Engineering，你所谓的 AI 转型只是在浪费预算

文章探讨了 Harness Engineering 的概念，即通过设计环境、设定标准和建立反馈来构建 AI 的工程环境，从而将 AI 从简单的聊天工具转化为能持续工作的生产力。文章对比了 OpenAI 和 Anthropic 的不同实践路径，并以 VergeX 为例，阐述了 Harness 在 AI 交易中的具体应用，包括工具调用、上下文管理、架构约束和反馈循环四大核心模块。

代理工具的解剖结构

文章深入剖析了将无状态 LLM 转变为功能强大的智能体所需的“代理框架”基础设施。内容涵盖编排循环、工具工程、内存、上下文管理、安全护栏及子代理编排等 12 个核心组件。文章对比了 Anthropic、OpenAI 和 LangChain 的实现策略，指出生产级应用的关键在于模型周围的工程架构，而非模型本身。

Claude Code生产级项目实战经验分享

作者分享了独立一人使用Claude Code在3个月内完成交付SaaS产品的实战经验，项目AI代码覆盖率超90%。文章总结了几条核心经验：编写CLAUDE.md进行上下文管理、先让AI给出技术方案而非直接写代码、拆解细化任务、完整提供报错信息、多模型互补以及为冷门库提供官方文档。

编程智能体的核心组件【译】

本文探讨了编程智能体（Coding Agent）及其运行框架的设计，重点介绍了模型、推理与智能体的区别，并详细拆解了六大核心组件：实时代码仓库上下文、提示词缓存复用、工具调用与安全验证、上下文压缩机制等。文章指出，优秀的 Harness 框架能将基础模型的潜力最大化，是编程智能体体验的决定性因素。

驾驭 Claude 的智能 | 构建应用的 3 个关键模式

本文探讨了如何随着 Claude 能力的进化，调整构建 AI 应用的策略。文章提出了三个核心模式：善用 Claude 已知的通用工具（如 bash 和文本编辑器），赋予其自主编排和上下文管理能力，以及谨慎设定框架边界以平衡安全与效率。文章强调了减少外部框架对模型能力的过度干预，让 Claude 自主决定工具调用与数据处理，从而提升应用的性能和成本效益。

技能链：将智能体技能重新定义为情境行动

本文探讨了智能体系统中技能实现的局限性，指出技能不应是静态提示，而应是动态的情境行为。作者介绍了在 Slate 系统中通过引入“线程”和“分叉”机制，实现了上下文隔离的自动化技能调用，并提出了“编排技能”的概念，即通过组合其他技能来完成复杂任务链。

Anthropic Claude Code 源码剖析：为什么它比别人好用

基于 Anthropic 泄露的 Claude Code 源码，深入剖析其技术架构。文章指出 Claude Code 实为以 LLM 为内核的“操作系统”，拥有极致的提示词工程、42 个独立工具的安全管控、AI 记忆检索系统、子蜂群 Agent 机制以及三层上下文压缩技术。其 51 万行代码中有 95% 专注于安全、权限和上下文管理等工程脚手架，而非单纯的模型调用。

你不知道的 Claude Code：架构、治理与工程实践

本文基于作者深度使用 Claude Code 的实战经验，深入剖析了 Claude Code 的六层架构模型。文章详细阐述了上下文治理的成本构成与最佳实践，解释了 Skills、Hooks、Tools 和 Subagents 的区别与设计原则，并分享了如何利用 Prompt Caching 和 Plan Mode 优化系统性能与稳定性。

17 项最佳实践让 Claude Cowork 的效能提升 100 倍

本文作者分享了使用 Claude Cowork 七周并运行 400 场会话后总结的 17 项最佳实践。这些实践涉及情境架构、任务设计、自动化调度及插件使用，旨在通过优化设置与管理，将 Cowork 从简单的工具转变为高效的自主工作系统。

让 Claude Cowork 效率百倍的 17 个最佳实践

作者基于 400 多次 Claude Cowork 使用经验，总结了从“尝鲜”到“生产力工具”的关键差异。文章详细介绍了上下文架构（如 _MANIFEST.md、全局指令）、任务设计及上下文控制等 17 个具体实践，旨在通过结构化设置解决 AI 输出不稳定的问题，实现高质量、自动化的工作流。

Claude Code 使用指南：9 条上下文管理最佳实践

作者基于三个月 Claude Code 使用经验，总结出9条关于上下文窗口管理的最佳实践。核心观点是将上下文视为有限的“白板”，通过计划模式、子代理、CLAUDE.md 规则维护、并行会话及 Skill 封装等策略，有效管理 AI 注意力，避免模型变笨和无效返工，从而显著提升开发效率。

Claude Code 工程化最佳实践与架构指南

本文系统性地介绍了 Claude Code 的工程化实战知识库，涵盖了从基础配置到高级架构设计的方方面面。内容解读了创建者的定制技巧，深入解析了 Command、Agent、Skills 的核心架构与 Memory 作用域，并针对 Monorepo 场景提供了上下文管理策略。文章还总结了上下文管理、Agent 设计、调试方法及权限安全的实践经验，并分享了如何利用高级 API 特性（如程序化工具调用、动态过滤）来显著降低 Token 消耗并提升准确率。

手把手带你玩转 OpenClaw 多重宇宙分身

本文深入介绍了 OpenClaw（简称“龙虾”）的多 Agent（分身）使用策略。作者阐述了为何需要分身（上下文隔离、并发效率、节约成本、安全权限），并详细演示了四种分身模式：拥有独立职责的静态分身、用完即弃的动态分身、话题隔离的平行宇宙分身以及执行定时任务的分身。文章还对比了不同模式的记忆与人设机制，并提供了具体的配置步骤与架构优化建议。