前言¶
做 Agent 時，常見做法是往上下文裏堆系統提示、工具定義、檢索結果和對話歷史，指望「窗口夠大就能記住一切」。實際表現往往是：長會話後半段開始跑偏、關鍵約束被忽略、工具輸出把有效指令擠到邊緣。問題往往不在 prompt 寫得不夠長，而在沒弄清「上下文」在推理時到底包含什麼、注意力如何分配、以及爲什麼質量比數量更重要。
下面介紹倉庫 Agent Skills for Context Engineering 中的 context-fundamentals Skill。它不負責具體調參或壓縮實現，而是建立一套可複用的概念框架，適合作爲讀同系列其他 Skill 之前的開篇。
這是什麼¶
context-fundamentals 是面向概念解釋與背景閱讀的 Agent Skill，用 SKILL.md 描述能力邊界與觸發條件。
維護方在 Skill 元數據中標註爲 Agent Skills for Context Engineering Contributors；Skill 歸屬開源合集 muratcankoylan/Agent-Skills-for-Context-Engineering，官方路徑爲：
https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering/tree/main/skills/context-fundamentals
它要解決的問題可以概括爲兩點：
- 定義 context：推理時刻模型可見的完整狀態，包括 system instructions、tool definitions、retrieved documents、message history、tool outputs。
- 定義 context engineering：在有限注意力預算下，篩選「最小的高信號 token 集合」，提高期望行爲出現的概率。
同合集裏的 context-degradation、context-optimization、context-compression 等負責落地操作；本 Skill 只提供理解這些決策所需的心智模型，並把運維類工作明確路由到對應 Skill。
核心功能¶
以下內容均來自官方 SKILL.md 與合集 README，僅列已寫明的能力。
何時應激活¶
適合在以下概念性工作中啓用：
- 解釋 context 是什麼，以及 attention mechanics 如何約束 Agent 行爲。
- 新成員入職，需要先建立心智模型再接觸運維類 Skill。
- 從第一性原理推演上下文相關設計（約束意味着什麼、權衡爲何存在），再選具體手段。
- 撰寫或評審文檔，需要把操作指南錨定在底層機制上。
不應用本 Skill 替代運維工作，例如：
| 任務類型 | 應路由到的 Skill |
|---|---|
| lost-in-middle、context poisoning、注意力失敗診斷 | context-degradation |
| masking、partitioning、prefix caching、預算控制 | context-optimization |
| 長會話壓縮與交接摘要 | context-compression |
| 大工具輸出卸載、持久 scratchpad | filesystem-context |
| LLM 項目形態與流水線設計 | project-development |
核心概念：注意力預算與 U 型曲線¶
官方建議把 context 當作有限的注意力預算，而不是無限存儲桶。每增加一個 token 都會參與競爭，且推理過程中預算無法「中途充值」。工程目標是在三類約束下最大化「單位 token 效用」：
- 硬性的 token 上限；
- 低於標稱窗口的有效容量上限；
- U 型注意力曲線：長上下文評測中，中間位置的信息往往比首尾更難被可靠召回。
組裝 context 時，官方給出四條原則：
- Informativity over exhaustiveness — 只放與當前決策相關的內容，其餘按需檢索。
- Position-aware placement — 關鍵約束放在上下文首尾。
- Progressive disclosure — 啓動時只加載 Skill 名稱與摘要，任務匹配後再加載全文。
- Iterative curation — 每次向模型傳內容時持續裁剪，而非一次性寫完 prompt。
上下文解剖（Anatomy of Context）¶
Skill 按組件拆解典型 Agent 上下文，並給出設計要點（節選）：
- System Prompts：用 XML 標籤或 Markdown 標題分區（背景、指令、工具說明、輸出格式）；關鍵約束放在首尾；控制「指令高度」，避免過細 brittle 或過粗模糊；從最小集開始，按失敗模式迭代補充。
- Tool Definitions：描述需回答三件事——做什麼、何時用、返回什麼；工具集保持精簡，JSON 序列化後 schema 通常比純文本描述膨脹約 2–3 倍。
- Retrieved Documents：維護輕量標識（路徑、查詢、鏈接），按需 JIT 加載；分塊沿語義邊界切分。
- Message History：承擔進度與狀態 scratchpad；長任務中需監控佔比，用摘要或引用替換陳舊 tool 輸出。
- Tool Outputs：在 Agent 軌跡中常佔大頭；處理完後可用 observation masking 換成緊湊引用。
上下文窗口與注意力機制¶
- Attention Budget：對 n 個 token，注意力機制涉及 n² 量級的成對關係；上下文變長時表現是梯度式退化，而非硬截斷。
- Position Encoding Limits：位置編碼外推可拉長序列，但遠距離檢索與推理精度可能下降。
- Context Quality Versus Quantity：拒絕「窗口越大越好」；對每條 context 做信號密度檢驗——刪掉它是否仍會改變輸出。
官方 Guidelines 還提到：開發過程中監控 context 佔用，在約 70–80% 利用率時考慮觸發 compaction（具體策略見 context-compression / context-optimization）。
示例與延伸閱讀¶
Skill 內帶可複用的結構示例，例如用分區標籤組織 system prompt（見下文「典型用法」）。同目錄下 references/context-components.md 供調試具體組件時查閱；合集 README 將本 Skill 列爲 Foundational Skills 之首。
安裝與啓用¶
本 Skill 遵循 Agent Skills 目錄規範：每個 Skill 是一個文件夾（內含 SKILL.md），不能 flatten 成單個 .md 文件，否則會破壞 references/ 等相對路徑。
Claude Code（插件市場）¶
合集作爲 Claude Code Plugin Marketplace 發佈。官方步驟：
Step 1：註冊 marketplace
/plugin marketplace add muratcankoylan/Agent-Skills-for-Context-Engineering
Step 2：安裝插件
直接安裝：
/plugin install context-engineering@context-engineering-marketplace
也可在 UI 中選擇 context-engineering-marketplace → context-engineering → Install now。安裝後 Skill 會根據任務上下文自動激活。
Cursor¶
官方推薦兩種方式：
- 從 Cursor Plugin Directory 的 context-engineering 條目 安裝；或 clone 倉庫後將 Cursor 指向插件根目錄。
- Cursor 讀取
.plugin/plugin.json，通過 Open Plugins manifest 發現倉庫根目錄下的skills/。
僅安裝 context-fundamentals 到項目（需先取得倉庫中的 skills/context-fundamentals 目錄，例如下載或 clone 後複製，用戶環境禁止在本介紹中執行 clone）：
mkdir -p .cursor/skills
cp -R skills/context-fundamentals .cursor/skills/
說明：官方明確不要依賴倉庫 symlink；Windows 與插件打包下易失效。
Codex / 其他 Open Plugins 宿主¶
- 將倉庫作爲插件目錄添加，宿主讀取
.plugin/plugin.json發現skills/下各 Skill。 - 項目級手動安裝示例：
mkdir -p .codex/skills
cp -R skills/context-fundamentals .codex/skills/
通用 Agent Skills 路徑還可使用 .agents/skills/（見合集 README）。
Claude Code 項目級目錄爲 .claude/skills/，佈局與 Cursor 相同。
典型用法¶
1. 按官方建議的閱讀順序入門¶
新貢獻者可先讀本 Skill，再讀 context-degradation，再按項目需要選 context-optimization、context-compression、filesystem-context、memory-systems 等。Skill 原文指出：跳過概念層容易「只會手法不懂原因」；跳過運維 Skill 則難以對症選型。
2. 用分區 system prompt 落實「首尾強注意力」¶
官方 Example 1 展示用顯式區塊承載背景、指令與輸出格式（概念點：關鍵約束落在注意力更集中的結構邊界上）：
<BACKGROUND_INFORMATION>
You are a Python expert helping a development team.
Current project: Data processing pipeline in Python 3.9+
</BACKGROUND_INFORMATION>
<INSTRUCTIONS>
- Write clean, idiomatic Python code
- Include type hints for function signatures
- Add docstrings for public functions
- Follow PEP 8 style guidelines
</INSTRUCTIONS>
<OUTPUT_DESCRIPTION>
Provide code blocks with syntax highlighting.
Explain non-obvious decisions in comments.
</OUTPUT_DESCRIPTION>
3. 概念問題與運維問題分開問¶
例如「要不要總結長會話」可拆成兩層：本 Skill 回答爲何需要總結（預算有限、U 型曲線、信號密度）；如何壓縮、閾值設多少交給 context-compression。
向 Agent 提問時，可顯式說明需要「上下文工程基礎概念」或引用 Skill 名 context-fundamentals，以便宿主按 description 路由（Claude Code / Cursor 插件模式下多爲自動匹配）。
適用場景與注意¶
適合誰
- 設計或評審 Agent 架構、工具面、RAG 與歷史管理策略的工程師。
- 要寫內部文檔、做 onboarding，需要統一「context / attention budget」術語的團隊。
- 計劃系統閱讀 Context Engineering _SKILL 合集，希望第一篇建立共同語言的人。
限制與常見坑（來自官方 Gotchas，節選）
- 標稱 context window ≠ 有效容量；複雜檢索與推理任務上應先用自有 workload 做退化測試。
- 用「約 4 字符 / token」估算英文會低估代碼、URL 與非英文；預算敏感時應使用提供方 tokenizer。
- 工具 schema 序列化後的 token 開銷常被低估；十多個中等 schema 可能在首條用戶消息前就佔數千 token。
- Agent 循環中 message history 會靜默膨脹；宜設歷史 token 上限並主動 compaction。
- 安全約束、輸出格式等不要放在長 system prompt 中間；U 型曲線下中部召回明顯弱於首尾。
- Progressive disclosure 若「稍有相關就全量加載」，會重現 context stuffing。
本 Skill 不替代壓測、壓縮實現或故障排查；那些工作應切換到上表中的專項 Skill。
結尾¶
context-fundamentals 把上下文窗口拆成可操作的組件，用注意力預算與 U 型曲線解釋「爲什麼塞滿不等於更好」，並給出與合集其他 Skill 清晰的分工。若你正在搭建或優化 Agent，建議先過一遍這套概念，再進入 context-degradation 與 context-optimization 等實戰篇。
官方地址：
https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering/tree/main/skills/context-fundamentals
合集倉庫：
https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering
