引言：为什么你的AI智能体总是“失忆”和“分心”？

你是否遇到过以下场景：

• 你的编程智能体（如Claude、ChatGPT、Cursor等）在处理复杂任务时，突然忘记了之前的对话内容？

• 智能体生成的代码质量随着对话轮数的增加而显著下降？

• 你感觉智能体“越来越笨”，无法保持专注，不断消耗昂贵的Token却产出有限？

问题的根源往往不在于模型本身，而在于上下文管理。 一个专注的智能体才是高性能的智能体。在AI智能体时代，上下文工程（Context Engineering） 已成为高价值编程的核心技能。

本文将为你系统梳理上下文工程的三个核心级别（及一个隐藏级别），并提供可立即上手的实战技巧和提示词案例，帮助你彻底解决智能体的“失忆”问题，最大化其效能。

核心心法：管理上下文窗口的唯一框架 - R&D

所有上下文工程技术都万变不离其宗，围绕两个核心策略展开：

• R - Reduce（压缩）：尽一切可能减少进入主智能体上下文窗口的无关内容。精炼、聚焦是其关键。

• D - Delegate（委托）：将任务、查询及其伴随的上下文负载，委托给其他实体（如子智能体、或其他独立智能体）。分工、隔离是其核心。

记住，管理上下文的目的不是为了“省钱”，而是为了“省时间”——避免因智能体混乱、犯错而需要你不断纠正所带来的巨大效率损耗。

---

第一级：初级上下文工程

技巧1：精简你的“启动配置”（Reduce）

问题：许多智能体平台允许你配置自动加载的工具、插件或上下文（如Claude的MCP服务器、Cursor的项目上下文）。这些配置通常在启动时就会加载到上下文中，即使你本次会话完全用不到它们，它们也在无情地消耗着你宝贵的Token。

案例：假设你的智能体自动加载了JIRA、GitHub、数据库查询等十几个工具的插件描述，这可能会轻易占用10-20%的上下文窗口，导致你的智能体“开局”就背上了沉重的包袱。

解决方案：

• 禁用全局自动加载：不要设置一个“万能”的默认配置文件。

• 按需手动加载：根据当前任务的具体需求，动态地、手动地启用所需的特定工具。

  • 例如：如果你只想分析代码，就只启用文件读取和代码分析相关的插件；如果需要写数据库，再动态启用数据库客户端。

效果：立即为你的智能体“减负”，让它在任务开始时保持轻装上阵。

技巧2：用“动态预热”取代“静态记忆文件”（Reduce）

问题：很多开发者喜欢使用project_memory.md、claude.md之类的静态记忆文件来让智能体了解项目。这种文件会无条件地在每次会话时被全部加载。它的致命缺点是只增不减，随着项目发展，它会变得臃肿不堪，里面大部分内容与当前任务无关。

解决方案：

1. 极度精简你的静态记忆文件：只保留所有任务100%会用到的、最核心的通用信息（如项目简介、绝对核心的编码规范）。

2. 创建动态的“上下文预热”提示（Context Priming）：为不同类型的任务编写专用的预热命令或提示词。这些提示会引导智能体在会话初期，主动去读取与当前任务最相关的文件，从而动态构建精准的初始上下文。

提示词案例：通用代码库预热

## 任务：初始化本项目的开发上下文

请你依次执行以下操作，以便快速熟悉本项目，为后续开发任务做准备：

1.  **目的**：快速掌握项目结构和核心逻辑。
2.  **工作流程**：
    a. **阅读**根目录下的 `README.md` 文件，了解项目总体介绍。
    b. **阅读** `package.json` 或 `requirements.txt`，了解项目的主要技术栈和依赖。
    c. **阅读** `src/main.py` 或 `app/index.ts`，了解项目的入口和核心逻辑。
    d. **浏览** `src/components/` 和 `src/utils/` 目录，列出其中的文件，了解模块构成。
3.  **输出格式**：阅读后，请用一段话总结项目的核心功能、技术栈和代码结构。

你可以将类似的提示保存为.cmd文件或系统提示模板。当你需要开始一个新功能时，只需执行 /prime-feature 或粘贴上述提示，智能体就会自动为你构建一个高度相关、纯净的上下文环境。

效果：用动态的、精准的“手术刀”式预热，替代了静态的、臃肿的“锤子”式记忆文件。

---

第二级：中级上下文工程

技巧3：善用“子任务委托”（Delegate）

机制：主流智能体平台都支持“子智能体”（Sub-Agent）或“函数调用”（Function Calling）的概念。主智能体可以调用一个子流程来处理特定任务。关键在于，子任务通常拥有独立的上下文空间，其执行过程中的大量中间对话和Token消耗不会污染主智能体的上下文窗口。

案例：你需要智能体为你调研“Rust语言在WebAssembly中的应用”并生成一份报告。

• 错误做法：让主智能体直接开始搜索、阅读、总结。整个过程会产生大量网页内容、中间思考，迅速撑爆上下文。

• 正确做法：委托一个“研究专员”子智能体去完成。

提示词案例：子智能体委托

## 任务：委托生成调研报告

我现在需要一份关于“Rust语言在WebAssembly中的应用现状”的详细技术报告。

我将委托你启动一个【研究子任务】。请你遵循以下步骤：

1.  使用内置的**网络搜索**工具，搜索近期关于Rust和WebAssembly结合的技术文章、官方文档和案例。
2.  **精读**3-5篇质量最高的结果。
3.  提取关键信息，并生成一份结构化的Markdown报告，内容包括：
    - 技术优势
    - 主流工具链（如wasm-pack）
    - 应用场景
    - 代表性项目
    - 学习资源

**请注意**：请将详细的搜索、阅读和草稿撰写过程在子任务中完成，最终只将整理好的报告返回给我。

效果：主智能体保持了清爽的上下文，最终只接收一份精炼的报告。你将繁琐的研究过程“外包”了出去，实现了上下文隔离。

---

第三级：高级与代理级上下文工程

技巧4：实现“断点续传”的上下文包（Context Bundles）（Reduce）

问题：超长任务中，智能体上下文窗口终究会满。如何让一个新智能体无缝接手旧智能体的工作？

解决方案：上下文包。通过钩子（Hooks）或自定义脚本，在智能体运行过程中，将其执行的关键操作（如读取的文件、执行的命令、核心结论）记录到一个日志文件（Bundle）中。

案例：一个智能体在重构代码时，已经分析了十几个文件，但窗口满了。你可以将它的“工作快照”保存下来。

上下文包文件示例 (context_bundle_20250909.json)：

json

{
  "session_id": "refactor-utils-123",
  "task": "重构 src/utils/ 目录下的工具函数，进行模块化和单元测试",
  "files_read": ["/src/utils/array.js", "/src/utils/string.js", "/src/utils/date.js"],
  "key_insights": ["array.js 中存在重复函数", "date.js 耦合了格式化逻辑"],
  "next_steps": "应优先将 date.js 中的格式化逻辑拆分为 formatDate.js"
}

当启动新智能体时，你可以让它首先加载这个Bundle文件。

加载Bundle的提示词：

请继续完成之前的重构任务。这是之前的工作记录（Context Bundle）：

【粘贴上面的JSON内容或文件路径】

请先快速理解上述进度，然后继续执行下一步操作。

效果：新智能体能迅速“继承意志”，几乎无缝地继续工作，极大提升了长任务的连续性。

技巧5：主智能体协作与“循环外”委托（Delegate）

理念：这是委托的终极形态。你不再管理一个智能体，而是** orchestrating（编排）一个智能体团队**。你从一个“内循环”（In-Loop）的指挥者，变成一个“外循环”（Out-of-Loop）的管理者，设置好任务和规则，让智能体们自行协作。

案例：自动化生成一个新功能的代码。

你可以设计一个工作流：

1. 智能体A（架构师）：接收需求，输出技术方案和文件列表。

2. 智能体B（编码员）：接收方案，负责编写具体的代码文件。

3. 智能体C（评审员）：检查代码质量，运行测试，提供修改意见。

启动智能体B的提示词案例：

## 背景：你是一个高效的编码智能体
## 输入：来自架构师的方案（如下）
## 任务：请严格按照方案编写代码

【架构师的方案：需要创建一个新的React组件 `UserModal`，包含属性定义、表单验证逻辑...】

请开始编写 `src/components/UserModal.tsx` 文件。完成后，通知评审智能体进行审查。

效果：你从微管理中解放出来，只需关注最终结果和处理异常。智能体的上下文被完美地按职责划分，每个智能体都极其专注和高效。

总结与行动指南

级别	核心技巧	核心策略	目标
初级	精简启动配置、动态上下文预热	压缩 (Reduce)	轻量启动，精准聚焦
中级	子任务委托	委托 (Delegate)	上下文隔离，分工处理
高级	上下文包	压缩 (Reduce)	实现长任务“断点续传”
代理级	多智能体协作	委托 (Delegate)	编排智能体团队，解放开发者

给你的行动建议：

1. 不要试图一口吃成胖子。从第一级的技巧开始，检查你的智能体配置，清理不必要的自动加载项。

2. 为本项目创建一个动态预热提示。这是投入产出比最高的技巧之一。

3. 在下一个复杂任务中，尝试使用子任务委托。明确告诉智能体“请将详细过程在子任务中完成，只给我最终结果”。

4. 大胆想象和设计：你的工作流中，哪些步骤可以“外包”给一个专门的智能体去独立完成？

记住：未来的编程高手，不仅是写代码的专家，更是组织和管理AI智能体的专家。掌握上下文工程，就是你迈向未来的第一步。