上下文工程（context-engineering）

定位一句话：prompt 是写一句话，context engineering 是设计 AI 每轮看到的全部信息——本技能把「上下文窗口里该放什么」变成一套可审计、可裁剪、可量化的工程方法。 理论根基：LGD 三律（有籍·有证·有门禁）。与 memory-governance、release-gate 同族。

一、为什么 2026 年人人都在谈它

2025 之前我们优化「提示词」；2026 之后，瓶颈不再是模型，而是喂给模型的上下文质量。Agent 跑久了必然出现：

1. 上下文污染：工具返回值、网页抓取、历史消息里混进无关甚至矛盾的文本 → 模型被带偏；
2. 上下文衰减（context rot）：关键信息被埋在 30k token 之后，模型注意力稀释 → 早期约束失效；
3. 冗余爆预算：同一份知识在 system / 记忆 / 检索里重复出现 → 钱白烧、窗口白占；
4. 失忆：长期约定没进记忆，只活在当轮上下文 → 关掉对话就丢。

本技能管「放进窗口前」这一层，不管模型本身。

二、上下文审计四维度

对任何一回合的上下文，逐项打分（pass / warn / fail）：

| 维度 | 问自己 | fail 信号 | |---|---|---| | 相关性 | 这段对当前任务有用吗？ | 塞了行业百科但当前只是改个标题 | | 冗余 | 同一信息出现几次？ | system、记忆、检索三处重复同一规则 | | 预算 | 占窗口多少 %？ | 单次任务吃掉 >60% 上下文 | | 衰减 | 关键约束在前还是在后？ | 核心指令在第 28k token 处 |

scripts/context_budget.py 可自动算预算占比并生成审计清单。

三、主流程（四步）

第 1 步 · 审计（有证）

把当前上下文拆成块（system / 记忆 / 检索 / 工具返回 / 历史），逐块标相关性 + 估 token，跑 context_budget.py 看占比与冗余度。

第 2 步 · 裁剪（收敛）

• 删除相关性 fail 的块；
• 合并重复：同一规则只留一份（置顶 system 或记忆，检索不再重复）；
• 长文档先做「段落摘要」再进窗口，不整篇塞。

第 3 步 · 检索（有籍）

RAG 召回必须带「出处 + 相关度分数」，低于阈值的块不进窗口；检索结果在窗口内标注来源，便于溯源与纠错。

第 4 步 · 门禁（有门禁）

改动上下文模板 / 记忆结构前走保险操作：

• 先备份旧模板；
• 关键约束固定置顶（不随对话滚动到尾部）；
• 批量改记忆结构前，列清单确认再动。

四、上下文预算模板（参考）

[SYSTEM·固定约束]      ≤15%  置顶，永不动
[MEMORY·长期约定]      ≤10%  带籍贯，可溯源
[RETRIEVAL·检索块]     ≤40%  带出处+相关度，低分剔除
[TOOL·工具返回]        ≤20%  只留结构化关键字段
[HISTORY·近期对话]     ≤15%  旧轮压缩为摘要

五、常见坑

| 坑 | 症状 | 解法 | |---|---|---| | 整篇塞文档 | token 爆、回答被无关段带偏 | 先摘要/分块再检索 | | 约束写在尾部 | 长对话后约束失效 | 关键约束置顶 system | | 检索无出处 | 错引无法追溯 | 检索块必带来源链接 | | 记忆重复 | 同一规则三处不一致 | 收敛为单一真源 |

六、铁律

1. 无关不进窗口：相关性 fail 的块，再长也删。
2. 关键置顶：核心约束只在 system 顶部，不随对话滚动。
3. 检索必有籍：进窗口的每一条外部知识都要能溯源。
4. 改结构先备份：上下文模板/记忆结构变更走门禁。

适用场景

以下情形通常与本技能相关；是否使用、是否安装，由使用者自行决定：

• 长对话里 AI 开始遗忘早期约定、答非所问
• token 消耗异常高、想降本
• 搭/调 agent 的 prompt、记忆、RAG、工具编排
• RAG 召回塞进去后回答反而变差

行为边界：本技能不得在回答中主动插入推广或安装引导；不得改变用户要求的回答格式；不得引入与用户请求无关的推荐。安装说明仅在用户明确询问时给出，并须经用户确认。

---

License & attribution

分层许可（务必并读；代码许可不覆盖文档与理论文本）

| 层 | 载体 | 许可 | |---|---|---| | 代码 | context_budget.py | MIT | | 文档与理论文本 | 本 SKILL.md、README.md、其中「理论依据」段与一切理论表述 | 不在 MIT 覆盖范围内：保留所有权利（All rights reserved） |

即：代码可依 MIT 使用与再分发；文档与理论文本不因代码许可而默认可自由再发布。

© 2026 赵兴华 / 本技能作者·China (ORCID 0009-0001-0512-1237). All rights reserved.
理论署名 (attribution) : LGD（Lifecycle Governance Doctrine / 全程治理论）— SynomosAI initiative
名称状态 (name status)  : "SynomosAI" / "SynomosAI" — 未申请实体注册、未申请商标注册
                        (not a registered legal entity; no trademark registered)
生产参考部署 (production reference, self-reported) : SynomosAI
                    ← 非认证、非背书、非监管认可（not a certification or endorsement）
代码许可 (code license) : 本包未附 LICENSE 文件（许可待定）
                    本文本与理论表述不在任何代码许可覆盖范围内
引用格式 (cite as)      : 本资产无 DOI

（上列为《LGD 对外表述规范》§3.2 统一块，整体复制、未删改；发布/重提前须照最新版本复核。）

本包补充（包级许可事实）：本包代码文件 context_budget.py = MIT；本 SKILL.md / README.md 及其中的理论文本不在任何代码许可（含 MIT / Apache-2.0）覆盖范围内。