标签
文章讨论了从提示工程向上下文工程的转变，后者被视为AI招聘中的下一个关键挑战，强调需要能够围绕AI模型和智能体设计环境与数据上下文专业人士。
# 论提示词架构：作为新型文学形式的可执行文本 一篇论文，主张提示词架构正作为一种全新的文学形式浮现——它同时为大型语言模型与人类而设计，将文本视为可执行的基底，而非被动的散文。
Twin 是一个开源研究项目，旨在通过关联事件并构建可复用的情境模型，为 AI 系统提供持续、累积的理解，而不是在每次对话中从头重建上下文。一个演示显示，Claude Sonnet 4.6 使用 Twin 的 MCP 服务器来回答关于某个项目的问题，而无需任何自定义记忆或本地文件。
这篇文章解释了提示工程、上下文工程、封装工程、循环工程和图工程之间的分层关系，强调每一层都是在前一层基础上构建的，而不是取代前一层，并说明了如何定位需要调试的层级。
解释了 AGENTS.md、SKILL.md 和 CLAUDE.md 对 AI 编程代理的不同作用，并提供了如何在不浪费 token 的情况下使用它们的实用指南。
一篇反思性文章，认为更换AI模型很少能解决输出质量差的问题；相反，提供给模型的上下文质量才是主要驱动力，涵盖事实、示例和修正。
LangChain发布了Deep Agents v0.7，这是一个更精简的智能体框架，通过移除默认系统提示、精简工具描述以及将TodoListMiddleware设为可选，将基础输入令牌减少了65%，并在多个模型上验证了性能相当。
Anthropic 详细介绍了 Claude 5 的上下文工程新规则，强调让模型运用判断力而非遵循僵化规则，设计接口而非给出示例，使用渐进式披露，并简化工具描述。
Anthropic分享了从新Claude模型中移除80%的Claude Code系统提示的经验，建议用户让模型自行判断而非遵循严格规则，并更新上下文工程实践。
一份28页的PDF介绍了Context Engineering 2.0，重新定义了人机交互的方式，超越了传统的提示工程。
本文介绍了ProofAgent-Harness，这是一款开源评估工具，从七个标准衡量AI代理的上下文工程质量，并将其验证为代理可靠性的领先指标。
Gergely Orosz 发推文推荐了一期与 Dex Horthy 关于 LLM 上下文工程的播客，其中涵盖了几个教训，例如交付未经审核的代码的危险，以及如何识别 LLM 会话已被“轨迹污染”。
一个推文线程，推广丹尼斯·罗斯曼（Denis Rothman）的著作《Context Engineering for Multi-Agent Systems》（多智能体系统上下文工程），该书教授如何通过上下文工程、双重RAG以及其他技术构建透明、模块化的多智能体系统。
推荐Harrison Chase关于多agent系统设计指南的博客，核心观点是多agent系统分'读'和'写'，读易并行，写易冲突，并总结了适合与不适合的场景以及工程配套。
本文概述了AI架构的四个基础要素——数据质量、上下文工程、治理和人类专业知识——IT领导者应优先考虑这些要素，以便在模型演进过程中可靠地扩展AI系统。
这篇由SuJinyan6撰写的博文探讨了AI Agent从简单的LLM加工具使用，向上下文工程和长时间运行框架的演变。文中引用了Anthropic的最新研究，讨论了Agent能力如何成为一种系统级属性，涉及多个组件。
一条推文总结，总结了 @aiDotEngineer 世界博览会第一天的关键收获，强调信任现在已经成为一门工程学科，上下文工程已经超越了 RAG，并且 AI 的后台（可观测性、权限、治理）正在成为新的焦点。
文章以问答形式讨论了如何让AI Agent在多个微服务场景下进行系统设计和编码，重点介绍了上下文质量（通过monorepo、分层文档）和验证闭环（通过契约测试、mock server）的实践经验。
本文定义了智能体回避问题，即决定大型语言模型智能体在不确定性下何时应停止行动的问题，并在网络购物、终端环境和问答场景中进行了评估。文章介绍了CONVOLVE，一种无需更新模型参数即可改善及时回避的上下文工程方法。
一个关于为多智能体LLM系统构建生产级Agent框架的详细指南，涵盖编排器、子代理、技能、后端状态管理和上下文工程等组件。