context-engineering：LLM Agent 系统的隐性水桶短板

LLM 应用的水桶效应，从来不在模型有多强——而在 context 管理有多烂。

你以为喂给 GPT-4o 一本书，它就能帮你总结？结果 token 爆了、幻觉飞了、API 账单炸了。问题不在模型，在于你怎么喂它。这就是 context engineering——LLM 工程师最重要的隐性技能。

context-engineering 是个什么 Skill？

来自 ClaudeKit 团队的开源 Skill 合集，GitHub 2.2k 星，专注于教 AI Agent 如何聪明地管理上下文。不是什么新鲜概念，但能把它做成可复用 Skill 的团队不多。

这个 Skill 覆盖了这些核心议题：

• Context 降级（Degradation Patterns）：当上下文快要溢出时，Agent 怎么优雅地”忘掉”次要信息，保留关键记忆？
• 压缩技术（Compaction / Masking / Caching）：不止是 RAG，还有 compaction 语义压缩、选择性 masking 噪音数据、caching 热点 token 块——省 token 就是省钱。
• 记忆架构（Memory Architecture）：短期 + 长期记忆怎么分层？Session 之间的 state 怎么持久化？很多团队在这里翻车。
• Multi-Agent 上下文协调：多个 Agent 共享 context 时，怎么避免相互覆盖、怎么同步状态——这是现在 Agentic AI 的核心难题。
• LLM-as-Judge 评测：用另一个 LLM 来评估当前 Agent 的 context 使用效率，形成自动化反馈闭环。

为什么这件事今年突然重要了？

2025 年上下文窗口卷到 200K token 了，很多人的反应是”随便喂”。但上下文不是越大越好——管理不好，大 context 就是大型幻觉现场。

真正做过生产级 Agent 系统的团队都知道：80% 的 bug 来自 context 泄漏或 context 饥饿。漏了关键信息，Agent 行为崩溃；塞了无关信息，模型推理质量下降。ClaudeKit 把这个know-how 抽成了一个可插拔的 Skill，不是玩具，是工程级方案。

怎么用？

如果你在用 Claude Code，装上 ClaudeKit 插件市场直接用：

/plugin marketplace add mrgoonie/claudekit-skills
/plugin install ai-ml-tools@claudekit-skills

然后问 Claude：”用 context engineering 模式帮我设计这个 Agent 的记忆分层方案”——Skill 会引导你一步步做。

值得关注的工程价值

context-engineering 不是教你写 prompt，是教你构建让 Agent 长期稳定运行的信息基础设施。如果你的 RAG 召回率低、Agent 长期任务容易”失忆”、多 Agent 协作状态混乱——这个 Skill 给了可直接复用的模式和代码。

开源地址：https://github.com/mrgoonie/claudekit-skills

方向：前端工程 / UI 构建
推荐指数：⭐⭐⭐⭐⭐

GitHub: https://github.com/mrgoonie/claudekit-skills