为什么你的AI越来越蠢？可能是上下文在悄悄变脏

你有没有这种感觉——同样一个任务，Claude 第一次答得漂亮，第十次就开始胡说八道？

不是模型变笨了。是你给它的上下文在悄悄变脏。

context-engineering 这个 Skill，就是来解决这个问题的。

上下文才是瓶颈，不是模型本身

很多人迷信”更好的 Prompt 才能带来更好的输出”，于是拼命优化指令、换词、加约束——但效果还是不稳定。

真正的问题往往在于：你往上下文窗口里塞了太多没用的东西，信号被噪声稀释了。模型注意有限，放太多废话，有效信息自然就被挤掉了。

这个 Skill 的核心观点很直接：

Context is finite. What you put in the context window determines what the agent can reason about.

说人话就是：上下文是有限的，你塞什么，它就只能在这些内容里推理。

6步上下文管理法

这个 Skill 提供了一套可以直接抄作业的流程：

Step 1：定义上下文预算
先算清楚你用的模型上下文窗口有多少 Token，然后留 20% 给系统 Prompt、20% 给输出、60% 给动态上下文（文档、历史、工具）。

Step 2：按优先级放内容
顺序是：任务指令 → 最相关的文档/代码 → 相关对话历史 → 辅助信息（Schema、类型定义）。长文档只取相关段落，全文件内容只在需要整文件时使用。

Step 3：结构化上下文位置
模型对开头和结尾的内容注意力最强。指令放顶部，最相关的内容紧贴任务，分隔清楚不同区块——别让模型混淆”指令”和”检索来的资料”。

Step 4：用明确的分隔标记
把不同类型的内容用标记区分开：你的角色和约束 / 检索到的内容 / 具体任务。这样模型不会把背景信息当指令用。

Step 5：激进压缩
长对话历史要摘要，长文档只取相关段落，尽量用 JSON/表格代替纯文本。上下文不是塞得越多越好，是越精准越好。

Step 6：监控上下文质量
记录输出质量 vs. 上下文长度的关系。如果更长的上下文反而导致更差的输出，说明你遇到的是上下文质量问题，而不是上下文数量问题。

什么时候用它

这个 Skill 适合：

• 你的 AI Agent 输出质量不稳定，时好时坏
• 你在设计面向生产的系统 Prompt
• 长对话场景下模型开始”失忆”或答非所问
• 上下文窗口消耗过快，成本居高不下

用法

在支持 Skills 的 AI 编码工具里安装：

npx skills add https://github.com/vignesh2027/AI-AGENT-SKILLS --skill context-engineering

然后当遇到上述场景时，让 Agent 加载这个 Skill，它会引导你一步步重构上下文。

说实话，”上下文管理”这个话题在 Prompt 工程圈子里讨论得还不够多。大家都在卷怎么写更好的指令，但很少有人认真思考：给模型喂什么、怎么喂，其实比指令本身更关键。

这个 Skill 来自 vignesh2027 的 AI-AGENT-SKILLS 库，除了 context-engineering 之外这个仓库还有 40+ 个其他 Skill，覆盖从 Spec 编写到测试到发布的完整开发流程，感兴趣的可以去翻翻。

GitHub：https://github.com/vignesh2027/AI-AGENT-SKILLS

GitHub: https://github.com/vignesh2027/AI-AGENT-SKILLS