当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

张大妈

AI辅助代码生成如何解决“断片”问题？

源自47位全网作者

05-18 15:52

精选参考来源

#小米首次登顶全球开源大模型第一#不得了了兄弟们，小米MiMo-2.5强势拿下全球开源大模型榜首，Agent能力直接媲美Claude Opus 4.6，用实打实的技术实力，打破大众对小米“只做手机”的固有认知，亮出中国AI的硬核底气！在核心技术比拼上，MiMo-2.5交出了碾压级答卷。从V2到V2.5，小米技术团队极速迭代，凭借单次近千次工具调用、十余轮上下文压缩的超强工程化能力，不靠堆算力，全凭真本事登顶。更惊喜的是，这款顶级模型支持百万级上下文，还即将全面开源，开发者能免费使用全球顶尖Agent能力，搭配1M与256K上下文同价、夜间8折的良心定价，彻底降低AI开发门槛。这一次，小米用全球第一的成绩，证明中国开源大模型已跻身世界第一梯队！

Claude Code 的核心是一个 while 循环：模型生成响应 → 如果包含工具调用，执行 → 结果返回 → 模型生成下一个响应 → 持续循环。就这么一个循环，被工程化成一个完整的产品，写了将近 30 多万行代码。从整体代码设计来看，可以认为，Claude Code = 模型 + Harness，而 Harness = 工具系统 × 上下文工程 × 自主循环。其中，工具系统和上下文工程做了大量的设计。CC 的工具系统有着自己的标准化设计，它会明确约束模型不要执行 find、grep、cat、head 通用操作，而是走 GrepTool、GlobTool 等专用工具，因为这些内建工具会输出可审计、结构化的日志，让操作更加透明可控。同时，工具本身也带有权限级别和验证逻辑。例如 Edit 工具为了避免交叉覆盖，会要求先 Read；Git 工具对 push force 类高风险操作会做 prompt 约束和 UI 警告。类似的设计很多，目的是在工具层建立清晰的边界和反馈机制，让模型在调用时有约束、有校验，减少越界操作和错误扩散。而在上下文管理上，CC 的管控也无所不用其极。它通过多种压缩策略和动态机制，确保模型在任何时刻只接触当前任务最相关的信息。压缩策略的核心机制包括 MicroCompact、AutoCompact，以及不同触发条件下的会话压缩、记忆替换和裁剪策略。在文件加载机制上，针对工具定义与能力暴露，也设计了 Just-In-Time 策略，文件不预加载，只保留路径，需要时再通过工具读取。此外，还有 Sub-Agent 的设计，它通过上下文隔离的方式，让不同子任务的相关信息互不干扰，进一步降低了主循环的认知负载，确保主循环逻辑干净且稳定。Claude Code 不仅是在工具系统和上下文管理上做文章，模型为了 Harness 效果更好，也开始配合对 Agentic 行为做专项优化。例如 Opus 4.7 在指令遵循上就明确提到 "Opus 4.7 takes the instructions literally"，这对 Agent 来说非常关键。Agent 的行为边界往往写在 system prompt 里，模型层做了增强学习后，模型在指令遵守方面会表现更出色，这对 Agent 的稳定性和可靠性会有极大提升。OpenClaw/Hermes Agent/Claude Code 产生了大量 Agent 调用数据，这些数据也会继续反哺模型能力的迭代。从当前发展趋势可以推断，未来模型的进化，一定也会逐步内化工具调用策略、上下文压缩策略，甚至学会自我约束行为边界。那么，今天 CC 里写的这些 Harness 逻辑，注定也会被模型吃掉。也就是说，Harness 也是一个过渡性的产物。🐶

全部
来源

内容由AI生成

1. #小米首次登顶全球开源大模型第一#不得了了兄弟们，小米MiMo-2.5强势拿下全球开源大模型榜首，Agent能力直接媲美Claude Opus 4.6，用实打实的技术实力，打破大众对小米“只做手机”的固有认知，亮出中国AI的硬核底气！在核心技术比拼上，MiMo-2.5交出了碾压级答卷。从V2到V2.5，小米技术团队极速迭代，凭借单次近千次工具调用、十余轮上下文压缩的超强工程化能力，不靠堆算力，全凭真本事登顶。更惊喜的是，这款顶级模型支持百万级上下文，还即将全面开源，开发者能免费使用全球顶尖Agent能力，搭配1M与256K上下文同价、夜间8折的良心定价，彻底降低AI开发门槛。这一次，小米用全球第一的成绩，证明中国开源大模型已跻身世界第一梯队！

2. Claude Code 的核心是一个 while 循环：模型生成响应 → 如果包含工具调用，执行 → 结果返回 → 模型生成下一个响应 → 持续循环。就这么一个循环，被工程化成一个完整的产品，写了将近 30 多万行代码。从整体代码设计来看，可以认为，Claude Code = 模型 + Harness，而 Harness = 工具系统 × 上下文工程 × 自主循环。其中，工具系统和上下文工程做了大量的设计。CC 的工具系统有着自己的标准化设计，它会明确约束模型不要执行 find、grep、cat、head 通用操作，而是走 GrepTool、GlobTool 等专用工具，因为这些内建工具会输出可审计、结构化的日志，让操作更加透明可控。同时，工具本身也带有权限级别和验证逻辑。例如 Edit 工具为了避免交叉覆盖，会要求先 Read；Git 工具对 push force 类高风险操作会做 prompt 约束和 UI 警告。类似的设计很多，目的是在工具层建立清晰的边界和反馈机制，让模型在调用时有约束、有校验，减少越界操作和错误扩散。而在上下文管理上，CC 的管控也无所不用其极。它通过多种压缩策略和动态机制，确保模型在任何时刻只接触当前任务最相关的信息。压缩策略的核心机制包括 MicroCompact、AutoCompact，以及不同触发条件下的会话压缩、记忆替换和裁剪策略。在文件加载机制上，针对工具定义与能力暴露，也设计了 Just-In-Time 策略，文件不预加载，只保留路径，需要时再通过工具读取。此外，还有 Sub-Agent 的设计，它通过上下文隔离的方式，让不同子任务的相关信息互不干扰，进一步降低了主循环的认知负载，确保主循环逻辑干净且稳定。Claude Code 不仅是在工具系统和上下文管理上做文章，模型为了 Harness 效果更好，也开始配合对 Agentic 行为做专项优化。例如 Opus 4.7 在指令遵循上就明确提到 "Opus 4.7 takes the instructions literally"，这对 Agent 来说非常关键。Agent 的行为边界往往写在 system prompt 里，模型层做了增强学习后，模型在指令遵守方面会表现更出色，这对 Agent 的稳定性和可靠性会有极大提升。OpenClaw/Hermes Agent/Claude Code 产生了大量 Agent 调用数据，这些数据也会继续反哺模型能力的迭代。从当前发展趋势可以推断，未来模型的进化，一定也会逐步内化工具调用策略、上下文压缩策略，甚至学会自我约束行为边界。那么，今天 CC 里写的这些 Harness 逻辑，注定也会被模型吃掉。也就是说，Harness 也是一个过渡性的产物。🐶

3. 使用 Claude Code 进行长周期开发时，上下文的自动压缩（Compaction）往往会导致关键细节丢失，随着对话增长，模型容易产生幻觉或遗忘之前的决策。Continuous Claude 是一个专为 Claude Code 打造的上下文管理工具包，核心理念是“清理而非压缩”，通过账本和交接机制确保开发状态的无损延续。它不仅提供了自动化的状态保存功能，还整合了高效的 MCP 执行环境和多智能体协作流，让 Claude 在处理复杂任务时始终保持高清晰度的上下文。GitHub：github.com/parcadei/Continuous-Claude主要功能：- 连续性账本系统，在清理上下文前后自动保存和恢复任务目标与进度；- 自动化钩子（Hooks），在会话启动、工具调用和上下文压缩等关键节点自动执行状态维护；- 令牌高效的 MCP 执行，通过脚本化工具调用减少上下文污染，提升响应质量；- 智能体编排工作流，支持计划制定、方案验证、实施及 TDD 驱动的开发模式；- 本地构件索引，使用 SQLite 存储交接文档和计划，支持快速检索历史决策；- 深度集成代码质量工具，支持自动格式化、静态检查及 TypeScript 预检。该项目支持全局安装或单项目配置，通过 uv 管理 Python 依赖，适合需要使用 Claude Code 进行深度编程和复杂架构设计的开发者。

4. #OpenClaw大反转# OpenClaw 3.7版本史上最强更新！89项代码提交+200+Bug修复，首发GPT-5.4+Gemini 3.1 Flash双引擎，全新ContextEngine插件接口——上下文管理终于可以自由插拔。创始人Peter放话：这是最猛一次更新。AI Agent最头疼的断片问题终于解决了，不动核心代码就能自定义记忆策略。GitHub星标已破28万，196位贡献者共建。2026了，是时候领养一只永不断片的AI助手了~

5. 字节火山开源的上下文数据库OpenViking, 专为 AI Agent 设计。该项目通过文件系统范式，统一管理智能体所需的记忆、资源与技能，解决了传统 RAG 架构中信息碎片化和检索低效的问题。1. 文件系统管理范式 → 解决碎片化问题：基于文件系统范式，将记忆、资源、技能进行统一上下文管理；2. 分层上下文按需加载 → 降低 Token 消耗：L0/L1/L2 三层结构，按需加载，大幅节省成本；3. 目录递归检索 → 提升检索效果：支持原生文件系统检索方式，融合目录定位与语义搜索，实现递归式精准上下文获取；4. 可视化检索轨迹 → 上下文可观测：支持可视化目录检索轨迹，让用户能够清晰观测问题根源并指导检索逻辑优化；5. 会话自动管理 → 上下文自迭代：自动压缩对话中的内容、资源引用、工具调用等信息，提取长期记忆，让 Agent 越用越聪明。项目：github.com/volcengine/OpenViking#HOW I AI# #过个有ai年#

6. 刚刚，腾讯姚顺雨署名首篇论文发布，「下半场」先搞上下文学习

7. Claude Code+DeepSeek V4 Pro安装教程｜3步从零装好开始用 | Mac Windows

8. github.com/Tencent/WeKnora 腾讯开源的RAG框架：WeKnora（维娜拉）这是一款基于大语言模型的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation）机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。核心特性 🤖 Agent模式：支持ReACT Agent模式，可调用内置工具检索知识库、MCP工具和网络搜索，通过多次迭代和反思给出全面总结报告 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话 📚 多类型知识库：支持FAQ和文档两种类型知识库，支持文件夹导入、URL导入、标签管理和在线录入 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展 ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱，支持跨知识库检索 🌐 网络搜索：支持可扩展的网络搜索引擎，内置DuckDuckGo搜索引擎 🔌 MCP工具集成：支持通过MCP扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式 ⚙️ 对话策略：支持配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控 #科技先锋官#

9. 如何系统性的学习RAG、Agent、MCP?

10. 揭秘Claude Code的运作机制网页链接一片介绍Claude Code的运作机制的文章。“Anthropic 对其构建方式几乎未作说明，因此我们设置了一个 LiteLLM 代理，以观察 Claude Code 发送和接收的内容。我们发现的并非某种单一的“魔法技巧”，而是一套精心设计的提示框架、安全机制和细微提醒的组合，这些共同确保了智能体的诚实性和专注度。简短总结：1️⃣Claude Code 在开始实际工作前，会先通过微小而精准的提示（如标题、主题检查、摘要）预先加载上下文。2️⃣它在系统提示、用户提示、工具调用甚至工具结果中广泛嵌入“系统提醒”，以减少偏离。3️⃣在执行 Bash 命令前，通过显式的命令前缀提取和注入检查来控制风险。4️⃣当任务变得多步骤时，它会生成具有更明确指令的子代理（“Task” 工具），并根据任务复杂度动态调整其上下文。”#科技先锋官##微博兴趣创作计划#

11. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

12. 网页链接langchain发了篇官博，探讨了智能体如何利用文件系统进行上下文工程，以提升其性能和可靠性。智能体失败的主要原因并非模型能力不足，而是缺乏正确的上下文信息。上下文工程的目标是精准地将必要信息填入模型的上下文窗口，避免信息缺失、冗余或不相关。常见的上下文工程挑战包括：信息过多（检索内容远超所需）：如网络搜索返回大量无用内容，浪费token并增加成本。信息过少或超出上下文窗口：复杂任务需大量信息，单次无法加载全部。难以定位小众信息：所需信息埋藏在大量文件中，语义搜索效果有限。缺乏持续学习能力：无法从交互中积累新知识。文件系统是解决这些问题的关键工具，其优势体现在：作为“草稿板”：将大体积工具输出（如网页内容）存入文件系统，按需通过grep等工具提取关键信息，减少上下文占用。动态管理上下文：存储长期计划、子任务结果或复杂指令，按需调用，避免系统提示过载。精准搜索：利用ls、glob、grep等命令在结构化目录中快速定位特定文件、行甚至字符，尤其适合代码或技术文档。持续学习与自我更新：智能体可通过用户反馈更新自身“技能文件”，将新知识写入文件系统，实现长期记忆与能力进化。#科技先锋官#

13. 3月30日deepseek更新的分步检索功能是否意味着即将推出V4版本？

14. Claude Code装了LSP后，Token消耗直接降了40%

15. 昨天这篇文章提到了强化机制（网页链接），此强化非彼强化，正好详细了解了一下。这里的强化机制并非机器学习领域的强化学习，而是一种为大模型注入额外提示、补全上下文、修正轨迹的工程技巧。它的核心目标是让 Agent 在多步任务中保持方向稳定、决策一致。1. 解决什么问题？当 Agent 需要处理复杂的多步骤任务，模型常常出现以下问题：1）工具报错后无法正确恢复当错误信息过长或过几轮后被遗忘时，模型会继续产生无效输出。2）忘记初始目标在长上下文中，模型会偏向于处理眼前的文本，而不是任务本身。3）被工具输出的噪声误导许多系统的工具输出不够结构化，模型难以正确解析。4）循环行为模型可能重复调用相同工具，或重复生成相同解释。2. 什么是强化机制？为了让 Agent 能够顺畅执行任务，工程实践中逐渐形成了一种关键方法，即“强化机制（reinforcement）”。强化机制通常包含三类信息：1）原始工具输出2）对工具输出的解释、总结或结构化处理3）针对任务目标的提醒、下一步行动建议或错误纠正提示这种方式让模型在下一轮推理时，不仅知道发生了什么，还知道应该如何继续。3 强化机制是如何运作的？为了说明强化机制如何发挥作用，可以将 Agent 的通用循环简化为四个阶段：1）用户或系统提出任务2）模型给出行动（如调用工具或生成内容）3）工具返回结果4）系统将结果整理后重新注入模型，让模型继续强化机制作用在第四阶段，它通过人工设计“强化后的上下文”结构，让模型更理解状态，也更容易走上正确路径。一个典型的强化注入可能包含：1）工具原始输出2）提炼后的关键点3）关于失败原因的简要解释4）明确提示模型下一步应该做什么5）任务目标的提醒4 强化机制的常见形式在实际系统中，强化机制可以通过多种形式实现：1）结果总结将工具输出的关键部分提炼为简短段落，让模型更容易解析。2）错误解释遇到报错时，用自然语言告诉模型：错误原因是什么，应该如何修复。3）结构化状态把工具状态包装成 JSON 或结构化文本，让模型减少解析错误。4）目标重申在任务进行多轮之后，重新提醒模型最终目标是什么。5）自我检查（Self-Check）让模型根据当前状态生成“我下一步应该做什么”的列表，并在下一步回显给自己。6）路径规划在关键步骤加入“你已完成哪些步骤，还剩哪些步骤”的信息。这些设计本质上都是为了让模型更容易维持任务链路。5 如何设计一个高质量强化机制？如果你正在构建自己的 Agent，可以遵循以下设计原则：1）状态必须清晰不让模型自己推理上下文，而是直接告诉它关键点。2）信息必须简短强化信息越长，越容易被淹没在上下文中。3 ）错误必须显式解释模型在理解错误时的鲁棒性很差，需要手工解释。4）目标必须持续提醒尤其是超过三轮的任务，不提醒必偏航。5）工具结果必须被结构化能 JSON 就不要纯文本。通过这些工程技巧，可以显著提升 Agent 的稳定性。#微博兴趣创作计划# #人工智能#

16. 电机高精度效率测试，真正的分水岭在台架和传感器

17. TRAE中国版白送SOLO，一人指挥一支AI大军重磅消息！SOLO终于上线TRAE中国版了，Waitlist免费开放中本期视频实测TRAE的新版本，亮点很多 1、先规划再动手的 Plan 模式 2、带专家团一起干活的 Subagent 子智能体 3、DiffView 差异视图 4、多任务并行 5、上下文智能压缩长时运行不掉链子 SOLO终于把AI从“瞎干活的外包”变成了“懂协作的队友” #AI #人工智能 #TRAE #AI编程 #vibecoding

18. Claude Code从来就不是什么编程工具

19. 给 Claude Code 接上「整个代码库」的语义搜索。大模型 context window 再大，也有上限。真正的工程项目动辄几十万行代码，没法一次性全塞进去。Zilliz 开源的 claude-context 解决的就是这个问题：把你的代码库向量化存进数据库，让 Claude Code 在需要时按语义检索相关代码片段——而不是每次都把整个目录加载进 context。1. 核心机制代码不是以文件为单位存储，而是先用 AST（抽象语法树）做智能分块，再通过 OpenAI embedding 模型向量化，存入 Milvus / Zilliz Cloud 向量数据库。检索时用的是混合搜索：BM25 关键词匹配 + 向量语义搜索，两种方式的结果合并排序，相关性比单纯向量搜索准。官方测评数据：在同等检索质量下，减少约 40% 的 token 消耗。代码库越大，节省越明显。2. 增量索引用 Merkle Tree 跟踪文件变化，只重新索引改动的文件，不需要每次全量跑一遍。3. 安装方式极简对 Claude Code 来说，加完claude-context 之后，在 Claude Code 里直接说「Index this codebase」，等索引完成，就可以用自然语言检索了：「找所有处理用户认证的函数」。4. 兼容范围不只 Claude Code，Cursor、Codex CLI、Gemini CLI、Windsurf、VS Code、Cline 全都支持，都是改 MCP 配置文件，几行 JSON 搞定。支持的编程语言：TypeScript、Python、Java、Go、Rust、C++、C Sharp、Ruby、Swift 等主流语言。Embedding 也可以换：除了 OpenAI，还支持 VoyageAI（voyage-code-3，代码搜索效果更好）、Ollama 本地模型、Gemini。5. 本质上Claude Code 默认的代码理解方式是：你告诉它看哪里，它看哪里。这个工具把它升级成：你问它一个问题，它自己去整个代码库里找相关的部分，带上来给你用。对于中大型项目，这个差距很明显——不用再手动 (at)file 指定文件，不用担心忘了哪个关键模块，Agent 的自主性和准确性都会提升。访问：github.com/zilliztech/claude-context#HOW I AI# #程序员#

20. 大家在使用AI编程时，更倾向于让AI一次次生成短小易读的代码，还是直接放手让AI写一大片？

21. Codex不打算让Claude Code好过

22. RAG退潮，“文件系统+grep”回归，智能体检索的返璞归真

23. 2026年，JetBrains的IDE要被Cursor一类的AI IDE革命了吗？

24. 「人类负责消除歧义，AI 负责在较少歧义的环境下执行」。看上去这是一个上下文问题，但有三种情况，上下文是人类提供不了的。第一种情况是，这个人是个外行，他根本不知道必要的上下文。第二种情况是，这个人是个内行，但他目前还没有掌握必要的上下文，得在随后的思考和实践过程中，一步步探索和理解关键约束。第三种情况是，上下文的信息量过于庞大，无法浓缩与输入，其中还有不少是 “体感” 一类的不容易翻译成语言的信息，或者上下文分散在不同的人那里（协作场景），无法约束所有人整齐划一地输入。缺乏必要的上下文，AI 就不可能输出可靠的概率计算结果。

25. 在线开发智能代理系统遇到上下文管理难题？推荐看看 muratcankoylan 的开源项目「Agent Skills for Context Engineering」，这是一个面向生产级 AI 代理系统的全面技能库。它提供了完整的上下文工程方案，涵盖基础理解、架构设计、多代理协作、工具开发、评估优化等多维度技能，帮助你科学管理语言模型的上下文窗，实现最高效的上下文利用和智能决策。主要亮点：- 深入讲解上下文衰减、压缩和优化，避免模型“迷失中间”；- 支持多代理架构设计，含监督者模式、图谱记忆、沙盒环境等；- 提供完善的评估框架，支持LLM作为裁判进行性能对比和偏差缓解；- 包含项目开发全流程指导，从概念设计到流水线部署；- 独家认知架构技能，形式化建模代理心智状态，实现理性推理与解释；- 跨平台、通用原则，适配Claude Code、Cursor等主流代理平台。GitHub：github.com/muratcankoylan/Agent-Skills-for-Context-Engineering无论你是搭建单一代理还是多智能体系统，这套技能库都能助你构建、优化和调试高效智能体，推荐 AI 开发者和研究者深入学习！#AI创造营##人工智能#

26. Anthropic 社区负责人连更31条Claude Code技巧！比Claude Code创始人私藏的还硬核

27. Context 还不够，Harness 才是 Agent 工程优化的正解？

28. 创新Transformer！面壁基于稀疏-线性混合架构SALA训练9B模型，端侧跑通百万上下文

29. 实测用TRAE Skills接管工作流，打工人的自动化神器 #AI #AI编程 #TRAE #SOLO #Skills

30. 如何解决Cursor等Agent编码开发轮次多了过后代码库变成屎山的问题？

31. 大模型上下文工程指南

32. Qwen3.6-Plus 太猛了！免费+百万上下文+Agent，多模态能力直接拉满！| 零度解说

33. #deepseekv4发布#DeepSeek 发布新一代大模型 DeepSeek V4，本次更新主要围绕上下文能力、推理能力以及 Agent 场景进行优化。来看一看它的核心更新如下：🔻上下文能力大幅提升支持最长 1M tokens（百万级上下文）可处理完整代码库、长文档、多轮复杂对话🔻强化 Agent 场景能力优化多步骤推理能力支持更复杂任务执行提升长流程稳定性🔻模型性能提升多项 benchmark 表现提升对标主流闭源大模型🔻提供双版本 Pro：高性能版本 Flash：高性价比版本（更快、更便宜）🔻 延续开源路线持续推动开源大模型发展强调低成本与高性能结合目前 DeepSeek V4 已开放相关能力与体验入口，可以在Hugging Face体验，具体应用场景仍在持续拓展deepseekv4发布

34. RAG、LangChain、Agent 到底有什么关系？

35. OpenAI、Anthropic 和 Google 的工程师为什么从不为提示词发愁？秘诀在于“上下文栈”——真正的元技巧是“上下文工程”。过去，我们用提示词“黑客”式地与AI沟通，像用简单短语和关键词和陌生人对话。但现在的模型不只是理解指令，它们理解的是“环境”。你的工作不再是简单“提示”，而是设计它的上下文。什么是上下文？就是你在模型开始生成内容前搭建的数字环境，包括：- 它应该“扮演”的角色（身份）- 它的目标是什么- 它的沟通风格和语气- 它参考的例子、数据和过往作品这才是保证输出连贯、高质且符合品牌调性的关键。举个例子：旧式提示： “写一篇关于AI生产力工具的LinkedIn帖子。”上下文设计版： “你是一位技术创始人，写实用且能病毒传播的推文，语气自信且带点挑衅，基于真实案例。这里有你过去的三篇示例。现在，写一篇关于AI生产力工具的新推文。”区别就在于，你不是在“提示”，而是在“简报”。模型不再是工具，而是你团队的新成员。就像招新人一样，它需要了解你的品牌、目标和期待，而非随便发号施令。这就是“上下文工程”的力量。一个简单且实用的框架是4C：角色（Character）、命令（Command）、限制（Constraints）、上下文（Context）。一次设定，反复使用。有了正确的上下文，你的模型变成真正懂你声音、受众和意图的创意伙伴。没有它，你只是靠运气。停止“提示词黑客”，开始“上下文构建”。每次简报，都像培训新员工一样，问自己：“他们需要知道什么，才能像我一样思考？”这才是2025年AI合作的未来。掌握上下文工程，不只是问什么，更是给什么；不只是它写什么，更是它懂什么。创作者借此放大品味，创始人放大判断力，团队放大知识。你今天的上下文结构是什么样的？原文：x.com/hasantoxr/status/1995891151535259864

36. 看完 Manus、Cursor 分享后的最大收获：避免 Context 的过度工程化才是关键

37. #DeepSeekV4发布# DeepSeekV4终于发布了，简单总结下：1、双版本发布：推出 DeepSeek-V4-Pro（高性能）和 DeepSeek-V4-Flash（高性价比）两个版本，可按需选择。2、超长上下文：支持 1M token（约百万字）的上下文长度，能一次性处理海量信息。3、核心能力领先：在 Agent能力、世界知识和推理性能三方面均达到国内及开源模型的领先水平。4、具体任务表现：V4-Pro版本的代理编码能力接近顶尖闭源模型，在数学、编程等推理任务上超越所有已开源评测的模型。5、技术创新与迁移提醒：采用 DSA稀疏注意力机制降低长上下文计算成本；原有 deepseek-chat 等模型名3个月后停止使用，需迁移到新名称。

38. 姚顺雨在腾讯首个研究：在“上下文”这事上，在座的各位都不及格

39. 在推特上看到一篇推文，是博主北火写的，超级有价值，很有启发性，核心观点是：约束即智能，AI Agent 的 Context 困境。作者通过一个脑损伤病人的案例，揭示了AI的致命困境。原文如下：1990年代，神经科学家 Antonio Damasio 遇到一个奇怪的病人。这人叫 Elliot，脑部手术切除了一个肿瘤，顺带损伤了前额叶的一小块区域。手术后，智商测试正常，逻辑推理正常，记忆力正常，所有认知指标都没问题。但他没法正常生活了。他没法做决定。不是不会分析——恰恰相反，他分析得太好了。选午餐吃什么，他能花半小时权衡每家餐厅的优缺点。选用蓝笔还是黑笔签字，他能陷入无尽的比较。老板解雇了他，妻子离开了他。Damasio 研究了很久，最后得出结论：Elliot 损伤的那块脑区，负责把情绪和决策连接起来。没有了情绪的"偏见"来帮他筛选，所有选项在他眼里同等重要。所有选项同等重要，等于没有选项重要。我们通常把"限制"当成坏事。更多信息更好，更多选择更好，更强的处理能力更好。Elliot 的案例指向相反的结论：约束不是决策的障碍，而是决策的前提。人类的情绪系统本质上是一套筛选机制。当你面对选择时，它把你过去的经验、当前的身体状态、社会信号，整合成一个"感觉"——"这个选项让我不舒服"。你不需要推演导致这个感觉的所有原因，情绪直接给你一个倾向。这是一种偏见，但没有这种偏见，你会像 Elliot 一样卡在原地。这和 AI 有什么关系？表面上看，Elliot 的问题是"情绪缺失"，AI agent 的问题是"context 管理"，一个是神经科学，一个是工程实践。但往深一层看，它们是同一个问题的不同表现：有限的处理能力如何面对无限的信息？Elliot 的处理能力没问题，但他失去了告诉他"关注这里、忽略那里"的机制。AI agent 的处理能力也没问题，但 context window 有上限——它必须决定把什么放进去、把什么留在外面。人类用情绪来筛选。AI 用什么？AI 领域有一个已经被实证验证的现象：context 越长，模型表现不一定越好。研究显示，当 context 变长时，模型容易"迷失在中间"——对 context 开头和结尾的信息关注度高，中间的信息容易被忽略。更多的信息塞进去，反而可能稀释真正重要的内容。这不完全是 Elliot 的问题，但有相似的结构：当所有信息都摆在面前，没有机制来区分重要和不重要，系统的表现会下降。AI 领域发展出了一系列技术来应对这个问题。看起来五花八门，但本质上都在做同一件事：决定 LLM 应该"看到"什么。Skills 和 SubAgent 是两种不同的能力组织方式。Skills 是把能力内化：你想让 agent 会写 PPT，就把工具说明、调用方式、注意事项塞进它的 context，它读完说明自己动手，所有过程发生在同一个 context 里，信息互通，但 context 会越来越臃肿。SubAgent 是把能力外包：你派一个专门的 agent 去写 PPT，它做完把结果交回来，两个 agent 各有独立的 context，主 agent 的工作空间保持干净，但信息在交接时有损耗——你只拿到对方选择告诉你的东西。一个是"我自己学会"，一个是"我找人帮忙"，本质区别是 context 的边界：共享还是隔离。MCP 和 A2A 是另一层的东西，它们是通信协议。MCP（Model Context Protocol）规定 agent 怎么发现和调用外部工具——有哪些工具可用，怎么传参数，怎么拿结果。A2A（Agent2Agent）规定 agent 之间怎么对话——怎么发现对方，怎么协商任务，怎么交换信息。它们定义的是信息怎么流动，不规定信息怎么筛选。一个 MCP 工具，你可以直接塞进主 agent 的 context，也可以让另一个 agent 去调用然后汇报结果。协议是管道，架构才是决定 context 怎么组织的地方。Context compression 是在空间不够时做取舍。两种主流方法：一种是直接砍掉旧的内容，只保留最近的信息，快但粗暴，可能砍掉重要的早期信息；另一种是用模型生成摘要，把长历史压缩成短结论，保留了信息的"精华"，但摘要本身是一次有损转换——摘要者认为不重要的细节可能恰恰是后续决策需要的。这里有一个经常被技术讨论忽略的因素：成本。Context 不是免费的，更长的 context 意味着更多的计算量、更高的延迟、更贵的 API 账单。在生产环境里，一个任务跑几分钟还是几秒钟，可能决定了这个方案能不能用。所以 context 管理不只是"怎么让 agent 更聪明"的问题，也是"怎么在预算内完成任务"的问题。你可能有能力把所有相关信息都塞进 context，但你付不起那个钱。约束不只来自技术上限，也来自经济现实。把这些技术放在一起看，它们都在回答同一个问题：这一轮推理，LLM 应该"看到"什么？System prompt 是预加载的背景，few-shot examples 是塞进去的参考案例，RAG 检索是按需拉取的外部知识，tool schema 是能力的说明书，用户消息是实时输入。所有东西都是 context 的一部分，所有决策都是 context 管理决策。有人开始用"context engineering"这个词来描述这件事。它不是 prompt engineering 的新说法，而是一个更大的框架：怎么组织信息，让有限的工作记忆处理超出其容量的任务。人类解决这个问题已经有很长的历史。组织架构本身就是一套 context 管理系统——谁需要知道什么，信息怎么流动，在哪里汇总，在哪里展开。专业分工让不同的人处理不同的信息，层级结构让细节在底层处理、结论向上传递，文档系统把信息外化、需要时再加载。但人类还有一些更底层的机制，AI 目前没有对应物。渐进遗忘：人类的记忆不是"有"或"没有"，而是会逐渐模糊。你记得三年前和某人吃过饭，细节没了，但"那次聊得挺愉快"的印象还在，这种低精度的记忆仍然能指导决策。AI 的 context 是二元的，在窗口里就完整保留，不在就彻底消失。重要性标记：你更容易记住让你意外、紧张、开心的事情，情绪充当了重要性的标签。AI 没有这种内在的重要性判断——它只能依靠位置（最近的更重要）或外部规则（用户说重要的更重要）来决定保留什么。重建而非检索：人类回忆不是从存储里读取文件，而是每次基于碎片重新构建。这意味着同一段经历在不同情境下回想会呈现不同的侧面，有失真的风险，但也有适应当前需求的能力。这些机制能直接移植到 AI 吗？不一定。人类的记忆机制是为人类的任务优化的。人类的"任务"是什么？活下去、繁衍、维持社会关系——模糊、长期、多目标。渐进遗忘、情绪标记、重建式记忆，在这个框架下是 adaptive 的。AI agent 的任务通常更明确、更短期、更单一：写这份报告、修这个 bug、回答这个问题。在这种任务下，人类记忆机制的"模糊性"可能反而是负担，你不希望 agent "隐约记得"你的需求是什么。但有一个趋势：AI 的任务正在变化。从单轮问答到长程对话，从执行指令到自主规划，从单独工作到多 agent 协作，任务变得更模糊、更长期、更复杂。这意味着为简单任务设计的 context 管理方式，可能在新的任务类型上失效。还有一个问题值得展开：当 context 经过多次处理后，它还可靠吗？压缩会丢细节，摘要会引入偏差，跨 agent 传递时每一方都只传自己认为重要的内容。链条拉长后，最终 agent 做决策时依据的信息，可能和原始事实有显著偏离。这个问题人类也有，叫组织里的信息失真——一线发生的事，经过几层汇报传到决策者那里，可能已经变形了，每一层都在压缩、都在筛选、都在用自己的框架重新解读。人类发展出一些对策：冗余通道，同一件事通过多条线传递来交叉验证；越级机制，允许信息绕过某些层级直接向上；实地考察，决策者偶尔下到一线直接接触未经过滤的信息；匿名反馈，让原本不敢说的话有出口。这些机制的共同点是给被压缩掉的信息一条绕过压缩的路径。AI 系统需要对应的设计吗？如果一个 SubAgent 的摘要漏掉了关键信息，主 agent 怎么知道？如果 context 经过多轮压缩后失真了，系统怎么发现？目前没有好的答案，这是 context engineering 还没认真处理的一个维度。现在回到开头的问题。Damasio 的研究告诉我们，约束不是决策的障碍，而是决策的前提。Elliot 失去了帮他筛选的机制，获得了"纯粹理性"的分析能力，结果是瘫痪。AI 领域正在发生一件事：context window 在快速扩大。几年前 4K tokens，现在 128K 是标配，有的模型宣称支持百万甚至千万级别。如果这个趋势持续，context 容量可能很快不再是硬约束。这是好事吗？不一定。容量约束消失后，问题不会消失，只会换一种形式。如果你有无限的 context，但没有机制告诉你什么重要、什么可以忽略，你会陷入 Elliot 的困境：所有信息同等重要，等于没有信息重要。你需要的不是更大的窗口，而是一套筛选标准。约束可以是容量的（塞不下），也可以是注意力的（看不过来），也可以是经济的（付不起），也可以是认知的（不知道该关注什么）。移除一种约束，另一种会变得突出。人类用情绪、直觉、经验沉淀下来的"感觉"来提供认知约束，AI 目前没有对应物，它的筛选标准来自外部：位置、规则、用户指令。当容量不再是瓶颈时，这个缺失会变得更明显。所以，最后一个问题：当 context 容量不再是瓶颈时，什么会成为新的瓶颈？也许答案是：一套内生的重要性判断机制——不依赖外部规则，能让系统自己知道该关注什么、可以忽略什么。Elliot 需要的不是更大的脑容量，他需要的是一个能告诉他"这个选项不对劲"的声音。原文地址：x.com/beihuo/status/2003729415508046321#科技先锋官##微博年度新知博主##AI创造营#

40. 1688 生成式检索的探索与业务落地

41. 发布了头条文章：《使用 Claude Code：会话管理与 100 万上下文》 Claude Code 核心布道者 Thariq 深度解读上下文窗口管理策略：何时开新会话、回溯 vs 纠正、压缩 vs 清空、子智能体的最佳使用时机，以及如何避免糟糕的上下文压缩。使用 Claude Code：会话管理与 100 万上下文

42. 如何评价DeepSeek发布梁文锋署名论文，提出「条件记忆」及Engram记忆检索架构？有哪些亮点？

43. 终于来了！DeepSeek-V4 正式发布！免费开源，百万上下文，Agent能力直逼Claude！| 零度解说

44. //@Dcatfly:技能中也可以调用工具，能用 skill 优先用 skill，因为 skill 会按需加载上下文，初始化时更省上下文空间//@宝玉xp:回复@不靠谱的寒大嘴:不会，两者互补，Skill 是技能，MCP 是调用工具//@不靠谱的寒大嘴:skills会取代mcp吗？

45. 华为新开源！扩散语言模型突破32K上下文，还解锁了「慢思考」

46. OpenViking：一个非常实用的开源项目，专为AI Agent设计的上下文数据库，通过创新的“文件系统范式”统一管理Agent所需的记忆、资源和技能，彻底解决了传统向量数据库碎片化、检索效果差、上下文不可见的问题。主要亮点包括：- 文件系统管理范式，实现统一结构化管理，轻松浏览和操作上下文，像管理本地文件一样简单- L0/L1/L2三层上下文分级加载，按需调用，大幅降低Token消耗- 目录递归检索策略，结合目录位置和语义搜索，实现更精准、更全局的上下文获取- 可视化检索轨迹，完整呈现检索过程，方便调试和优化- 会话自动管理，自动提取长期记忆，Agent能“用得越久越聪明”支持Python包安装，也有Rust CLI工具；支持多家主流模型提供商，包含Volcengine、OpenAI、Anthropic、本地vLLM等等；同时提供详尽配置示例，轻松上手。新手快速开始示例脚本也非常简洁，几行代码即可增加资源、浏览文件结构、等待语义处理、抽取摘要、执行语义搜索，非常适合开发者验证和应用。同时官方推荐在云服务器（推荐Volcengine ECS + veLinux）环境中部署，保证稳定性和性能。如果你正打造智能Agent或者想优化上下文管理，强烈建议一试OpenViking，这个项目将让上下文管理和检索变得前所未有的清晰、高效、智能。GitHub地址：github.com/volcengine/OpenViking 官网：www.openviking.ai 文档：www.openviking.ai/docs

47. Trae+Stitch MCP+Skills我的AI编程新范式，让我3小时做了个小程序