把注意力预算花在刀刃上Agent-Skills-for-Context-Engineering 上下文工程实践【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering你的 Agent 答非所问多半不是模型不行而是塞进它的信息太杂。Agent-Skills-for-Context-Engineering 是一个上下文工程Context Engineering技能库内置 17 个智能体技能模块帮你管好系统提示、工具输出和对话历史进入注意力预算前的每一轮筛选并覆盖多智能体编排、上下文压缩与生产级评估。这个项目到底解决什么问题提示工程关心怎么把指令写好上下文工程关心的是哪些信息有资格进入窗口系统提示、工具定义、检索文档、消息历史、工具输出全都要纳入管理。README 里点明了根本约束——上下文窗口不是被令牌容量卡住而是被注意力机制卡住内容越长模型越容易忽略中间段落注意力会向首尾聚拢。所以目标很具体找到最小的高信号令牌集合换最大的期望收益。用一句话区分写 Prompt 的人优化指令文本做上下文工程的人优化整个信息流水线。项目的能力覆盖四个维度看懂上下文成分——哪些信息真正影响任务注意力在哪里失效搭得起结构——多智能体编排、记忆系统、文件系统当外部记忆管得住消耗——压缩、缓存、按需加载等上下文窗口管理策略评得准效果——评估框架与 LLM-as-a-Judge 技巧5 分钟跑通从克隆到看到第一个效果克隆仓库到本地git clone https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering cd Agent-Skills-for-Context-Engineering看目录结构确认 skills/、examples/、docs/ 三大块ls skills/ examples/挑一个技能读它的 SKILL.md——每个技能目录都是SKILL.md references/ scripts/的结构SKILL.md 即核心指导无需安装任何依赖。提前说清楚心理门槛仓库里的 Python 脚本基本都是跨环境可读的伪代码不用装环境读比跑更有价值examples/ 下则是开箱即用的完整案例。核心能力逐个拆你会用到哪几块压缩上下文而不丢关键信息skills/context-compression/ 的核心观点是优化目标应该是每任务令牌数而不是单次请求的令牌数——压丢了文件路径Agent 重读一遍就全亏了。它给出带强制分区的结构化摘要会话意图、文件改动、决策、下一步并把文件路径、函数名、错误码显式保下来。如果你在做长时间运行的编程智能体对话历史越滚越长这个模块能帮你在不丢决策记录的前提下压缩会话。编排多个 Agent 协作的三种模式skills/multi-agent-patterns/ 覆盖编排器、对等群体、分层三种架构并强调一个反直觉结论子智能体存在的意义是隔离上下文而不是模拟组织角色。它还提醒多智能体令牌成本显著更高先跑单 Agent 基线再上规模。如果你发现单个 Agent 的上下文已经装满、任务又天然可拆这个模块能帮你决定拓扑、设计显式交接协议并算清成本账。让文件系统充当 Agent 的外挂记忆skills/filesystem-context/ 把文件系统变成按需加载的上下文层工具输出的大结果写到文件、上下文里只留路径引用长任务计划持久化到文件子 Agent 之间靠共享文件通信。如果你的工具输出动辄撑爆上下文窗口这个模块能帮你建立先写盘、再按需读的工作流。拿真实场景走一遍打开 examples/long-horizon-prompt-lab/ 示例你会看到 Agent 先把给长任务写启动提示词这件事本身当作目标然后用该技能改写 4 组提示词近似证明、ML 优化、安全审计、系统调试先是常规提示工程写法的改造前再是伪形式化任务简报的改造后——明确的成功条件、证据要求、工件通过对抗检查才允许返回的退出门槛最后按评分标准逐项打分对比。整个过程就是一个用技能改造自己的回放。这个思路可直接迁移到任何长程任务给后台 Agent 写启动简报、设计 RAG 的检索回退策略、给评估流程定验收条件甚至内容风格的批量生成同目录的 examples/book-sft-pipeline/ 用一本 1909 年的小说微调出风格化写作并配了 AI 检测工具的判定截图可作为原创性检查的参照。Pangram AI 检测工具判定样本为 100% 人类撰写踩坑提示与上手建议先做减法再加功能——上下文塞得越多模型越容易忽略中间段落第一版 Agent 只保留最必要的指令即可。压缩时优先保文件路径和函数名——丢一条路径带来的重读成本远超省下的令牌。上多智能体编排前先跑单 Agent 基线——多智能体令牌成本往往高出一个量级换更好的模型常常比加 Agent 更划算。别纠结装环境——仓库脚本是伪代码直接读 SKILL.md 和 references/把它装进你的 Agent 平台再动手。想继续深挖docs/压缩、多智能体等主题的研究笔记examples/5 个端到端案例含 SFT 流水线与提示词实验室skills/全部 17 个技能模块从基础到运维打开 examples/ 挑一个案例通读 SKILL.md比读三篇教程都快。【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 把注意力预算花在刀刃上：Agent-Skills-for-Context-Engineering 上下文工程实践
把注意力预算花在刀刃上Agent-Skills-for-Context-Engineering 上下文工程实践【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering你的 Agent 答非所问多半不是模型不行而是塞进它的信息太杂。Agent-Skills-for-Context-Engineering 是一个上下文工程Context Engineering技能库内置 17 个智能体技能模块帮你管好系统提示、工具输出和对话历史进入注意力预算前的每一轮筛选并覆盖多智能体编排、上下文压缩与生产级评估。这个项目到底解决什么问题提示工程关心怎么把指令写好上下文工程关心的是哪些信息有资格进入窗口系统提示、工具定义、检索文档、消息历史、工具输出全都要纳入管理。README 里点明了根本约束——上下文窗口不是被令牌容量卡住而是被注意力机制卡住内容越长模型越容易忽略中间段落注意力会向首尾聚拢。所以目标很具体找到最小的高信号令牌集合换最大的期望收益。用一句话区分写 Prompt 的人优化指令文本做上下文工程的人优化整个信息流水线。项目的能力覆盖四个维度看懂上下文成分——哪些信息真正影响任务注意力在哪里失效搭得起结构——多智能体编排、记忆系统、文件系统当外部记忆管得住消耗——压缩、缓存、按需加载等上下文窗口管理策略评得准效果——评估框架与 LLM-as-a-Judge 技巧5 分钟跑通从克隆到看到第一个效果克隆仓库到本地git clone https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering cd Agent-Skills-for-Context-Engineering看目录结构确认 skills/、examples/、docs/ 三大块ls skills/ examples/挑一个技能读它的 SKILL.md——每个技能目录都是SKILL.md references/ scripts/的结构SKILL.md 即核心指导无需安装任何依赖。提前说清楚心理门槛仓库里的 Python 脚本基本都是跨环境可读的伪代码不用装环境读比跑更有价值examples/ 下则是开箱即用的完整案例。核心能力逐个拆你会用到哪几块压缩上下文而不丢关键信息skills/context-compression/ 的核心观点是优化目标应该是每任务令牌数而不是单次请求的令牌数——压丢了文件路径Agent 重读一遍就全亏了。它给出带强制分区的结构化摘要会话意图、文件改动、决策、下一步并把文件路径、函数名、错误码显式保下来。如果你在做长时间运行的编程智能体对话历史越滚越长这个模块能帮你在不丢决策记录的前提下压缩会话。编排多个 Agent 协作的三种模式skills/multi-agent-patterns/ 覆盖编排器、对等群体、分层三种架构并强调一个反直觉结论子智能体存在的意义是隔离上下文而不是模拟组织角色。它还提醒多智能体令牌成本显著更高先跑单 Agent 基线再上规模。如果你发现单个 Agent 的上下文已经装满、任务又天然可拆这个模块能帮你决定拓扑、设计显式交接协议并算清成本账。让文件系统充当 Agent 的外挂记忆skills/filesystem-context/ 把文件系统变成按需加载的上下文层工具输出的大结果写到文件、上下文里只留路径引用长任务计划持久化到文件子 Agent 之间靠共享文件通信。如果你的工具输出动辄撑爆上下文窗口这个模块能帮你建立先写盘、再按需读的工作流。拿真实场景走一遍打开 examples/long-horizon-prompt-lab/ 示例你会看到 Agent 先把给长任务写启动提示词这件事本身当作目标然后用该技能改写 4 组提示词近似证明、ML 优化、安全审计、系统调试先是常规提示工程写法的改造前再是伪形式化任务简报的改造后——明确的成功条件、证据要求、工件通过对抗检查才允许返回的退出门槛最后按评分标准逐项打分对比。整个过程就是一个用技能改造自己的回放。这个思路可直接迁移到任何长程任务给后台 Agent 写启动简报、设计 RAG 的检索回退策略、给评估流程定验收条件甚至内容风格的批量生成同目录的 examples/book-sft-pipeline/ 用一本 1909 年的小说微调出风格化写作并配了 AI 检测工具的判定截图可作为原创性检查的参照。Pangram AI 检测工具判定样本为 100% 人类撰写踩坑提示与上手建议先做减法再加功能——上下文塞得越多模型越容易忽略中间段落第一版 Agent 只保留最必要的指令即可。压缩时优先保文件路径和函数名——丢一条路径带来的重读成本远超省下的令牌。上多智能体编排前先跑单 Agent 基线——多智能体令牌成本往往高出一个量级换更好的模型常常比加 Agent 更划算。别纠结装环境——仓库脚本是伪代码直接读 SKILL.md 和 references/把它装进你的 Agent 平台再动手。想继续深挖docs/压缩、多智能体等主题的研究笔记examples/5 个端到端案例含 SFT 流水线与提示词实验室skills/全部 17 个技能模块从基础到运维打开 examples/ 挑一个案例通读 SKILL.md比读三篇教程都快。【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考