上下文工程少即是多精准投喂AI有诀窍上下文工程，是怎么设计整个上下文系统，让AI

上下文工程少即是多精准投喂AI有诀窍

上下文工程，是怎么设计整个上下文系统，让AI能在多轮交互里持续完成任务的艺术。

而这篇指南，提到的一大转变是：“告诉AI说什么” → “只给它需要知道的信息”。

以下是几个核心要点：

一、信息越多越错

上下文是稀缺资源，大模型有“注意力预算”，信息越多越容易漂移、失焦、性能下降。核心原则是：

用最少的高信号token，换取你想要的结果。

二、有效上下文结构长这样：

- 系统提示词要简洁明了，不要模糊废话

- 用XML或Markdown结构标信息

- 从最小可用集开始设计，失败后再加

- 工具调用要少而精，参数清晰，不要堆用不上的API

- 示例选经典即可，无需搞“案例大合集”

三、长任务怎么搞？Anthropic推荐三种方法：

1）Compaction（压缩）

阶段性总结关键点，重启上下文，用精简内容继续对话

适合：有来回、上下文超限的任务

2）Note-Taking（记笔记）

让Agent把关键进展、TODO写进上下文外的“持久笔记”

适合：长期任务、阶段性Milestone

3）Sub-Agents（子Agent）

主Agent下发子任务，子Agent返回总结，主Agent负责协调整合

适合：复杂研究、多线程并行任务

四、检索策略推荐用Hybrid

关键数据先给，次要信息用Just-in-Time方式动态加载

例如：Claude Code就是这么干的

五、适配不同任务的技巧推荐：

- 问答类 → 用压缩（Compaction）

- 迭代开发 → 用笔记（Note-Taking）

- 调研分析 → 用子Agent（Sub-Agents）

- 通用工作流 → 用混合检索（Hybrid Retrieval）

六、五个立刻能改进的点：

1）去掉用不到的工具和示例

2）用结构化标记组织上下文

3）用Hybrid方式加载信息

4）定期清理旧工具调用结果

5）加入“笔记工具”保存长线内容

上下文工程并非塞一堆冗余信息，而是精准控制“给多少、给什么、什么时候给”。