Context Engineering Playroom
系统化上下文工程方法论。通过优化提示词之外的信息结构（记忆、检索、工具、状态），让大模型在复杂任务中保持稳定的推理质量。
上下文构建策略
不同的上下文组织方式会显著影响 LLM 的输出质量、成本和速度。选择合适的策略至关重要。
总结以下文本的关键点：[文本]
✓ 优势
- • API 成本最低
- • 响应速度快
✗ 劣势
- • 输出准确度低
- • 缺乏深度分析
【核心背景】 [主要信息] 【补充信息】 [次要信息] 【任务】 总结关键点
✓ 优势
- • 信息层级清晰
- • 成本控制好
✗ 劣势
- • 设计复杂
- • 需要精心组织
根据以下检索结果回答问题： [相关文档1] [相关文档2] 问题：[用户查询]
✓ 优势
- • 精准高效
- • 适合大规模场景
✗ 劣势
- • 需要检索系统
- • 实现复杂
【前轮总结】 [之前的讨论] 【当前查询】 [新问题] 基于上述背景...
✓ 优势
- • 深度对话能力强
- • 上下文累积优势
✗ 劣势
- • Token 消耗大
- • 需要管理对话历史
【领域知识库】 [专业背景] 【检索结果】 [RAG 文档] 【对话历史】 [前轮讨论] 任务：[具体要求]
✓ 优势
- • 最优质量
- • 适应复杂场景
✗ 劣势
- • 成本最高
- • 设计最复杂
长时程上下文工程 · 真演练场
基于 Anthropic 2025-09 框架以下 4 个真演练场对应 Anthropic《Effective context engineering for AI agents》中「长时程上下文」核心： ① Compaction 压缩 ② JIT 检索 / 渐进式披露 ③ 结构化笔记 / Agentic Memory ④ 子智能体隔离。 与上方「上下文窗口管理」策略互补——前者管「窗口内怎么组织」，此处管「窗口装不下时怎么办」。
① Compaction 压缩演练场（强覆盖）
真实 高保真摘要蒸馏长会话会被原始工具输出撑爆上下文。Compaction 的关键不是「删」，而是 高保真蒸馏：保留架构决策与未决项，折叠冗余的原始日志。 这里一段真实编码会话（含 380 行读文件、1100 行构建日志、900 行测试输出）被真实压缩， 下方显示 token 骤降与 关键事实保真度。
点击「运行 Compaction」生成高保真摘要
② JIT 检索 / 渐进式披露演练场（强覆盖）
真实 按需加载 vs 预加载上下文工程的另一条铁律：别把整座图书馆塞进窗口。 Just-in-time 加载 = 上下文里只放 轻量标识符（路径 / 查询 / 链接）， 运行时按查询 真实检索命中片段再读入；预加载则把全部文档全文一次性塞满。 下方用真实关键词检索 + 真实 token 计数对比两种策略的窗口占用。
点击「运行检索对比」
点击「运行检索对比」
③ 结构化笔记 / Agentic Memory 演练场（强覆盖）
真实 跨窗口续跑超长任务无法塞进一个上下文窗口，靠「把知识外置到窗口之外」解决：agent 每步把进度写成 结构化笔记， 窗口内只保留当前步 + 笔记指针。 即便上下文被重置， 读回自身笔记即可跨长时程续跑。下方可推进多模块、重置窗口、再靠笔记续跑。
窗口内上下文始终精简；窗口外笔记会随推进累积。点「重置上下文窗口」模拟上下文被清空，再点「读取笔记续跑」验证 agent 不丢失进度。
④ 子智能体隔离演练场（强覆盖）
真实 上下文边界隔离详细搜索上下文会污染主 agent 窗口。子智能体架构把 膨胀的探索过程封在独立上下文， 仅回传 蒸馏摘要。下方派发一个子任务：子 agent 在隔离上下文里吞掉整份语料（token 激增）， 但主 agent 上下文 只收到 1 段摘要，窗口不被污染。