Agent Mentor Learn

术语表

72 个术语，来自《上下文工程：把有限的注意力花在刀刃上》。正文首次出现时可悬停查看释义。

术语释义来源
Prompt 工程（prompt engineering）为获得最优结果而书写与组织 LLM 指令的方法，关注的是指令本身怎么写、怎么排布。Effective context engineering for AI agents — Anthropic Engineering
上下文工程（context engineering）在 LLM 推理时，为窗口挑选并维护最优 token 集合的一整套策略，是循环里每一轮都要重新回答的取舍问题。Effective context engineering for AI agents — Anthropic Engineering
注意力预算（attention budget）LLM 解析大量上下文时依赖的一笔有限预算，每引入一个新 token 都会消耗掉一部分。Effective context engineering for AI agents — Anthropic Engineering
上下文腐化（context rot）随着窗口里 token 数量增加，模型从这段上下文中准确召回信息的能力会下降的现象。Effective context engineering for AI agents — Anthropic Engineering
性能坡（performance gradient）上下文腐化表现出的是一条随 token 增多而逐渐下滑的性能曲线，而不是超过某个 token 数就骤然失灵的硬悬崖。Effective context engineering for AI agents — Anthropic Engineering
边际收益递减（diminishing marginal returns）把上下文视为一种边际收益递减的有限资源：窗口里第一千个 token 和第十万个 token 占用的位置相同，贡献的价值却相差很大。Effective context engineering for AI agents — Anthropic Engineering
harness承载 Agent 循环运行的整套工程外壳，同一个模型换上不同的 harness 会产出截然不同的结果。The 2026 Agent Engineering Roadmap — GitHub (codejunkie99/agent-roadmap-2026)
只增不减Agent 循环中的消息历史只会不断追加新内容，几乎不会主动删减，是上下文持续膨胀的结构性原因。Effective context engineering for AI agents — Anthropic Engineering
自主权Agent 在循环中拥有的自主决策能力：它可能连续运行很多轮，你必须对它的判断保持一定程度的信任。Building Effective AI Agents — Anthropic Engineering
自然演进Anthropic 把上下文工程定位为 Prompt 工程的自然演进，而不是对后者的取代，写好系统提示仍是要做的事，只是变成了要管理的众多上下文成分之一。Effective context engineering for AI agents — Anthropic Engineering
Prompt 工程作为独立技能已经死了（S5 路线图断言）一份社区 Agent 工程路线图给出的观点性判断，认为写提示词已经不足以单独构成一项技能；这是该路线图的主观论断，不是本课采信的共识，课程正文采用 Anthropic 更审慎的『自然演进』表述。The 2026 Agent Engineering Roadmap — GitHub (codejunkie99/agent-roadmap-2026)
长时程任务（long-horizon tasks）跨越多轮推理、持续时间较长的 Agent 任务，是压缩、结构化笔记、多 Agent 架构这三类上下文管理手段共同要解决的场景。Effective context engineering for AI agents — Anthropic Engineering
高度（altitude）系统提示的抽象层级，描述指令写得是过度具体到硬编码脆弱逻辑，还是过度空泛到给不出行为信号。Effective context engineering for AI agents — Anthropic Engineering
低空飞行版系统提示写作的一种失败示例：用大量「如果……就……」式的具体规则把逻辑硬编码进提示，覆盖不到的情况只能落进兜底分支。Effective context engineering for AI agents — Anthropic Engineering
高空飘着版系统提示写作的另一种失败示例：只给出空泛的口号式指导，模型拿不到任何具体信号，行为可能不可预测地漂移。Effective context engineering for AI agents — Anthropic Engineering
正确高度版系统提示写作的推荐形态：用少数判断原则覆盖大多数场景、辅以少量必须遵守的硬边界，做到具体到能引导行为又保留启发空间。Effective context engineering for AI agents — Anthropic Engineering
原则＋硬边界系统提示写在正确高度的实用结构：用少数判断原则覆盖泛化场景，用少量必须遵守的硬边界锁定不可协商的合规底线。Effective context engineering for AI agents — Anthropic Engineering
CLAUDE.mdClaude Code 里每次会话开始时都会被整体加载进上下文的项目级配置文件，只应放置普遍适用、每次都用得上的内容。Best practices for Claude Code — Claude Code Docs
删除测试审查常驻文件每一行内容的方法：逐行自问『删掉它会不会导致出错』，答案是否定的就应该删掉。Best practices for Claude Code — Claude Code Docs
技能（skills）Claude Code 里按需加载的成套专项能力，不像 CLAUDE.md 那样每次会话都常驻，从而不让每个会话都变得臃肿。Best practices for Claude Code — Claude Code Docs
重叠最小（minimal overlap in functionality）工具设计的要求：多个工具之间承担的功能边界要清晰，尽量不出现彼此都能做同一件事的重叠地带。Effective context engineering for AI agents — Anthropic Engineering
token 高效工具返回结果应当遵循的设计标准：默认只回传关键字段，避免把大量低价值信息灌进消息历史反复消耗注意力预算。Effective context engineering for AI agents — Anthropic Engineering
典范（canonical）挑选 few-shot 示例时应当遵循的标准：一个示例要能代表一整类期望行为，而不是某个孤立的具体情况。Effective context engineering for AI agents — Anthropic Engineering
边角案例（laundry list）线上每出现一个特殊情况就往示例或规则清单里补一条，久而久之堆积成的一份又长又琐碎的清单，是应当避免的反模式。Effective context engineering for AI agents — Anthropic Engineering
预加载（preloading）推理开始之前把可能用到的资料全部放进初始上下文的策略，模型第一轮就能看到所有内容，不需要额外的检索动作。Effective context engineering for AI agents — Anthropic Engineering
即时检索（just-in-time retrieval）初始上下文里只保留轻量标识符，运行时由 Agent 用工具按需把相关内容加载进来的策略。Effective context engineering for AI agents — Anthropic Engineering
轻量标识符（lightweight identifiers）指向内容而非内容本身的索引，例如文件路径、存好的查询、网页链接，供 Agent 运行时按需展开为完整内容。Effective context engineering for AI agents — Anthropic Engineering
元数据（metadata）文件名、目录结构、时间戳这类附着在标识符上、无需打开内容本身就能提示相关性和用途的信息。Effective context engineering for AI agents — Anthropic Engineering
渐进地发现（incrementally discover）Agent 依靠标识符和检索工具，在探索过程中一步步找到真正相关内容的方式，而不是一次性把所有内容都摆在眼前。Effective context engineering for AI agents — Anthropic Engineering
混合策略（hybrid strategy）把一部分数据预先取回换取速度、其余留标识符交给模型运行时自主探索的组合做法，是真实系统里的常见形态。Effective context engineering for AI agents — Anthropic Engineering
取舍框架面对每一份候选材料，依次问『它稳定吗』『每一轮都用得上吗』这两个问题来判断该预加载还是留标识符即时检索的实用方法。Effective context engineering for AI agents — Anthropic Engineering
list_files课程示例中用于列出仓库某个目录下文件与子目录的检索工具，是即时检索里帮 Agent 缩小范围的第一步。Effective context engineering for AI agents — Anthropic Engineering
grep课程示例中用于在指定目录下递归搜索文本、返回匹配行的检索工具，返回结果做了行数截断以控制 token 消耗。Effective context engineering for AI agents — Anthropic Engineering
read_file课程示例中用于读取单个文件内容的检索工具，规定只在 list_files 或 grep 已经确认该文件相关之后才使用。Effective context engineering for AI agents — Anthropic Engineering
搜索的本质是压缩Anthropic 对搜索过程的一句总结：每一次检索都是把庞大语料收窄、蒸馏出真正有用的洞见，即时检索的每一步本质上都在做这种压缩。How we built our multi-agent research system — Anthropic Engineering
REPO_ROOT课程示例代码中用来指定仓库根目录路径的常量，三个检索工具的文件操作都基于它来定位实际路径。Effective context engineering for AI agents — Anthropic Engineering
压缩（compaction）在对话逼近上下文窗口上限时，把消息历史交给模型总结，再用这份摘要重启一个全新上下文窗口的做法。Effective context engineering for AI agents — Anthropic Engineering
重启（reinitiate）压缩机制的核心动作：用摘要开启一个全新的上下文窗口，旧的消息历史整个放弃，而不是继续累加在原有对话上。Effective context engineering for AI agents — Anthropic Engineering
交接摘要压缩时生成的、供新窗口开局阅读的总结文本，需要保留架构决策、未解决问题和关键实现细节，供 Agent 从这里继续工作。Effective context engineering for AI agents — Anthropic Engineering
COMPACT_INSTRUCTION课程示例代码中定义压缩总结指令的常量，明确要求保留架构决策、未解决问题、关键实现细节，丢弃冗余工具输出。Effective context engineering for AI agents — Anthropic Engineering
compact()课程示例中实现压缩机制的函数：把消息历史连同总结指令一起发给模型，用返回的摘要替换整个消息数组来重启新窗口。Effective context engineering for AI agents — Anthropic Engineering
结构化笔记（structured note-taking）让 Agent 在做出决策、发现问题的当下就主动把关键状态写到上下文窗口之外的持久位置，与被动、事后总结的压缩形成互补。Effective context engineering for AI agents — Anthropic Engineering
NOTES.md课程示例里 Agent 自行维护的结构化笔记文件，用来记录已定决策、未解决问题和下一步计划，独立于对话历史存在于文件系统中。Effective context engineering for AI agents — Anthropic Engineering
to-do listClaude Code 里维护任务清单的机制，和自定义 Agent 维护 NOTES.md 一样，都属于把关键状态写到窗口外的结构化笔记做法。Effective context engineering for AI agents — Anthropic Engineering
/clearClaude Code 提供的命令，用于切换到无关新任务时把上下文整个重置，不总结也不保留任何旧内容。Best practices for Claude Code — Claude Code Docs
自动压缩Claude Code 产品化的压缩机制：对话逼近上下文上限时自动触发，保留重要代码与决策，无需用户手动干预。Best practices for Claude Code — Claude Code Docs
玩 Pokémon 的 ClaudeAnthropic 提到的一个案例，用来说明记忆机制能在编码之外的领域同样改变 Agent 的能力，不是编码任务的专利。Effective context engineering for AI agents — Anthropic Engineering
三板斧应对长时程任务的三类上下文管理手段——压缩、结构化笔记、多 Agent 架构——共同目标是让 Agent 在长动作序列上保持连贯与目标感。Effective context engineering for AI agents — Anthropic Engineering
子代理在干净的上下文窗口里处理聚焦任务、只向主代理回传压缩摘要的机制，其价值不只在多 Agent 分工协作，也在于对上下文的隔离。Effective context engineering for AI agents — Anthropic Engineering
干净窗口子代理开局时使用的、不携带主代理任何历史消息的全新上下文窗口，保证注意力预算完全花在聚焦任务本身上。Effective context engineering for AI agents — Anthropic Engineering
智能过滤器（intelligent filters）Anthropic 对子代理角色的比喻：替主代理把探索过程中最重要的 token 浓缩提炼出来，进去的是语料，出来的是要点。How we built our multi-agent research system — Anthropic Engineering
过程/结论比判断一个任务是否值得派给子代理的标准之一：中间探索内容与最终结论的体量之比，比例越悬殊，隔离的收益越大。Effective context engineering for AI agents — Anthropic Engineering
runSubagent课程示例代码中启动子代理循环的函数：用一条孤立的任务描述开启全新消息数组，返回时只带出模型的最终文本结论。Effective context engineering for AI agents — Anthropic Engineering
dispatch_research课程示例中主代理侧用来派发调研任务给子代理的工具，接入 stop_reason 循环后返回子代理的结论摘要。Effective context engineering for AI agents — Anthropic Engineering
SUBAGENT_SYSTEM课程示例代码中子代理专用的系统提示常量，要求子代理输出不超过 1500 token 的结论且不要复述读到的原文。Effective context engineering for AI agents — Anthropic Engineering
交接长任务里新起一个带干净上下文的子代理接续前一个子代理工作时，靠传递关键要点来维持任务连续性的动作。How we built our multi-agent research system — Anthropic Engineering
多 Agent 架构把探索类工作派给独立子代理处理、只回收压缩摘要的架构模式，是应对长时程任务的三板斧之一。Effective context engineering for AI agents — Anthropic Engineering
4 倍（Agent 相对聊天的 token 用量）根据 Anthropic 对其多 Agent 研究系统的实测，单个 Agent 的 token 用量通常约是普通聊天交互的 4 倍，这是该系统的经验测量结果，不是普适定律。How we built our multi-agent research system — Anthropic Engineering
15 倍（多 Agent 系统相对聊天的 token 用量）根据 Anthropic 对其多 Agent 研究系统的实测，整个多 Agent 系统的 token 用量约是普通聊天交互的 15 倍，同样是该系统的经验测量结果，不是普适定律。How we built our multi-agent research system — Anthropic Engineering
80%（token 用量解释的性能方差）根据 Anthropic 对其多 Agent 研究系统的实测，token 用量这一个变量能解释该系统性能方差的 80%，是判断隔离是否值得的重要参考数据。How we built our multi-agent research system — Anthropic Engineering
CONTEXT_WINDOW课程示例代码中表示上下文窗口容量上限的常量，工程上按实际使用模型的真实上限自行设定。Effective context engineering for AI agents — Anthropic Engineering
COMPACT_RATIO课程示例代码中定义压缩触发阈值比例的常量，用量超过窗口容量乘以这个比例就会触发压缩。Effective context engineering for AI agents — Anthropic Engineering
shouldCompact课程示例代码中的判断函数：检查当前累计 token 用量是否已经达到或超过压缩阈值，决定要不要触发压缩。Effective context engineering for AI agents — Anthropic Engineering
tokensUsed课程示例代码中追踪当前窗口累计 token 用量的计数器变量，压缩触发并完成后必须归零，代表『当前这个窗口用了多少』而非历史总量。Effective context engineering for AI agents — Anthropic Engineering
trackUsage课程示例代码中的工具函数：把每次模型响应里的 input_tokens 与 output_tokens 累加进 tokensUsed 计数器。Effective context engineering for AI agents — Anthropic Engineering
update_notes课程示例代码中供 Agent 写入 NOTES.md 的工具，语义是每次用完整内容整份覆盖写入，不需要处理增量合并。Effective context engineering for AI agents — Anthropic Engineering
runAgent课程示例代码中把用量追踪、阈值触发的压缩、笔记读写这三块零件组合进同一个循环的主函数，用来跑通超出单窗口容量的长任务。Building Effective AI Agents — Anthropic Engineering
压缩风暴因为压缩后忘记把 tokensUsed 归零，导致此后几乎每一轮都会再次错误触发压缩、任务在原地反复总结重启的 bug 现象。Effective context engineering for AI agents — Anthropic Engineering
阈值触发压缩把压缩接入循环的机制：用量累计达到设定阈值比例时主动触发压缩、继续干活，而不是等窗口真的爆满才停手。Effective context engineering for AI agents — Anthropic Engineering
readNotes课程示例代码中的函数：从 NOTES.md 读取当前笔记内容，读取失败（文件还不存在）时返回一个占位提示文本。Effective context engineering for AI agents — Anthropic Engineering
writeNotes课程示例代码中的函数：把传入的完整笔记内容写入 NOTES.md 文件，供 update_notes 工具在被调用时使用。Effective context engineering for AI agents — Anthropic Engineering
压缩调用触发压缩时额外产生的一次模型调用，用来生成交接摘要，这次调用的产出直接用于重启消息数组、不会进入主循环继续推理。Effective context engineering for AI agents — Anthropic Engineering