Agent 开发中的上下文工程包含哪些核心内容？

1. 上下文工程的定义

上下文工程是指在大模型推理过程中，系统性地筛选、组织与维护"模型每一步应当看到的最优 Token 集合"的一整套策略。Anthropic 的应用 AI 团队于 2025 年 9 月正式提出并定义该术语，定义为"在大模型推理过程中策展并维持最优 Token（信息）集合的策略集，包括提示之外可能落入上下文的其他所有信息"。

2. 与提示词工程的区别

与提示词工程关注"如何措辞提问"不同，上下文工程关注"Agent 究竟看到了什么信息"，涵盖系统指令、记忆、检索结果、工具定义与历史对话的组织方式。Anthropic 将前者视为后者的一个子集——提示词工程是上下文工程的一个组成部分，而非替代。

3. 对表现与成本的决定性影响

它直接决定 Agent 的表现与成本：冗余或混乱的上下文会拖慢推理、推高 Token 消耗并引发"上下文腐烂（Context Rot）"——模型召回准确率随 Token 数上升而下降，且该现象跨模型普遍存在。更强的模型能处理更长上下文，但这只是把"墙"往外挪，不会消除问题。

4. 典型实践手段

典型实践包括：稳定前缀置顶（系统提示与工具定义放最前以命中缓存）、渐进式工具发现（只向模型暴露相关工具）、动态裁剪历史、分段摘要（Compaction）、结构化笔记外置到文件，以及按需加载指令模块；压缩应在上下文接近阈值时主动触发，例如 Claude Code 在占用约 95% 时启动自动压缩。

5. 核心操作分类

核心操作可归纳为四类：卸载（Offloading，把信息移到外部系统）、约简（Reduction，压缩或摘要陈旧信息）、检索（Retrieval，相关信息出现时才拉取）、即时加载（Just-in-time Loading，只存轻量标识、按需取全量）。判断上下文是否健康的实践标准是：若你无法判断一个正确结果"应该长什么样"，则 Agent 很可能也无法稳定做到。