上下文工程关注的不再是单条提示词怎么写,而是如何为大语言模型动态组织指令、记忆、工具、检索结果和输出格式。围绕 LangChain、Claude Code、Manus 和 Kiro 的实践,可以看到 Agent 系统从 Prompt 驱动走向 Context 驱动的工程化路径。
Claude Skills 将 Agent 完成特定任务所需的指令、脚本、参考资料和素材打包成标准文件夹。内容围绕目录结构、分层加载机制、与 MCP 的关系,以及开发者如何用同样模式管理自研 Agent 能力库展开。
Agentic Context Engineering 将系统提示、记忆、工具经验和领域规则组织成可持续演化的“作战手册”,让大型语言模型在不更新参数的情况下通过执行反馈改进表现。这里讲清 ACE 的问题背景、生成器-反思器-整编器架构、增量更新机制、实验结果和适用边界。
多智能体 ReAct 自主规划能让主智能体拆解任务并调度工具或子智能体,但生产环境容易遇到工具调用等待长、上下文膨胀、中间产物缺失、结束回答敷衍和规划跑偏等问题。这里围绕五个工程策略讲清问题成因、系统设计和落地实现。