标签
本周7篇顶级论文聚焦AI Agent的核心难题：prompt设计、推理成本及上下文膨胀，每篇都有工程启示。
Codex 的 Chronicle 功能开启后不间断截图屏幕，提供巨量上下文，使回答更个性化，越用越顺手。
介绍BeliefTrack，一种LLM上下文信念管理方法，将推理错误减少超过70%。
本文展示了LLM在保持回答质量的同时使用较短上下文窗口的方法，token使用量减少约25%，某些情况下超过50%。
本文介绍了如何使用 Go 的 net/http/httptrace 包通过基于上下文的钩子追踪 HTTP 请求阶段（DNS、连接、TLS 等），并演示了构建 CLI 追踪工具和 RoundTripper 日志记录器。
文章描述了构建一个'harness'系统来为编码代理提供上下文、工具、来源和验证的经验教训，并详细介绍了八个支柱中的前两个：上下文和来源。
文章指出，当前的AI agents并非真正在学习，而是在随时间积累噪音和过时的上下文，凸显了记忆与检索方面的长期问题。
这篇文章介绍了18个步骤的框架，以充分释放Claude AI的能力，涵盖上下文管理、提示词优化、系统配置和高级技巧，帮助用户从聊天界面转向持续运行的智能系统。
Visr是一款测试版工具，能够捕获Shell和AI智能体会话，将短暂的终端交互转化为可重用的转录、运行手册、技能和评估，为后续运行提供更好的上下文。
一项关于检测政治文本中施瓦茨价值观的系统研究，比较了上下文长度、模型大小和检索增强生成方法。结果表明，全文上下文能提升监督模型性能但对零样本大语言模型无效，而检索到的道德知识通过早期融合始终有所帮助。
Andrej Karpathy 指出Claude的错误90%源于上下文缺失，并分享12条规则（如写代码前先思考、简单优先等）将错误率从41%降至3%，强调纪律与有效上下文管理比框架更重要。
Andrej Karpathy 表示，Claude 90% 的错误源于缺少上下文，而非模型能力薄弱，并给出了一套 12 条规则，在实验中将错误率从 41% 降低到 3%。
HydraPlus 是一个开源的AI智能体记忆与上下文层，它使用实时知识图谱，结合图遍历、语义搜索和BM25，为多个智能体提供持久、安全且自管理的上下文。