Context Engineering

prompt engineering 的自然演进：不再只问“提示词怎么写”，而是问“什么样的上下文配置最可能产生期望行为“——管理系统指令、工具、外部数据、消息历史的整体状态。Anthropic 两篇一手资料对此概念表述一致（context engineering 专文系统论述；Claude Code 最佳实践称上下文窗口是”最重要的待管理资源“）。

核心概念

• attention budget：LLM 处理上下文有注意力预算，每个新 token 都在消耗。架构根源：transformer 的 n² 成对注意力随长度被拉薄。
• context rot：token 越多，从上下文准确召回的能力越低；是渐变坡度而非悬崖。
• 指导原则：找到最小的高信号 token 集合最大化期望结果概率。minimal ≠ short——信息要给足，但每个 token 都要挣到位置。

实践手段

• system prompt 的“正确高度”：在硬编码脆弱逻辑与空泛指导之间——具体到能引导行为，灵活到能提供启发式。
• just-in-time 检索：维护轻量标识符（路径、链接），运行时按需加载，代替预处理一切；配合渐进式披露逐层组装理解。模仿人类的外部索引系统（文件系统、书签）。
• 长任务三技术：compaction（总结重启）、structured note-taking（agentic memory，笔记持久化到上下文外）、sub-agent 架构（隔离探索、回传蒸馏摘要）。

在本知识库中的应用

• “先读 index.md 再深入页面”的导航规则 = just-in-time 检索 + 渐进式披露
• query 三档位（quick/standard/deep）= 按需控制进入上下文的信息量
• wiki 本身 = structured note-taking 的制度化，见 知识复利