5.6 KiB
title, tags, source, confidence_score, last_updated
| title | tags | source | confidence_score | last_updated | ||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 上下文工程 |
|
|
高 | 2026-04-07 |
上下文工程
上下文工程（Context Engineering）是Harness-Engineering的三大支柱之一，专注于确保智能体在正确的时间获得正确的信息。
核心原则
给地图，而不是一千页说明书
OpenAI 团队学到的最早经验之一很简单：要给 Codex 的是一张地图，而不是一本 1,000 页的说明书。
他们尝试了"一个大型的 AGENTS.md 方法。可想而知，这是一次失败的尝试：
- 上下文是一种稀缺资源：一个巨大的指令文件会挤掉任务、代码和相关文档——因此智能体要么会错过关键约束条件，要么开始针对错误的约束条件进行优化。
- 过多的指导反而变得无效：当一切都"重要"时，一切都不重要了。智能体最终会在本地进行模式匹配，而不是有意识地进行导航。
- 它会立即腐烂：一本庞杂的手册会变成陈旧规则的坟场。智能体无法判断哪些信息仍然有效，一旦人类停止维护它，此文件就会悄然成为一个颇具吸引力的麻烦源头。
- 这很难核实：单个 blob 不适合进行机械检查（覆盖率、新鲜度、所有权、交叉链接），因此漂移是不可避免的。
因此，他们不再将 AGENTS.md 视为百科全书，而是将其视为内容目录。
静态上下文与动态上下文
静态上下文
静态上下文是仓库中不会频繁变化的文档和规范：
- 仓库本地文档：架构规范、API 契约、风格指南
- AGENTS.md 或 CLAUDE.md 文件：编码项目特定规则
- 交叉链接设计文档：由 linter 验证的设计文档
动态上下文
动态上下文是随时间变化的运行时信息：
- 可观测性数据：日志、指标、追踪——智能体可访问
- 目录结构映射：智能体启动时的目录映射
- CI/CD 流水线状态：测试结果和流水线状态
关键规则
从智能体的角度来看，它无法在上下文中访问的任何内容都不存在。
存储在 Google Docs、Slack 线程或人们头脑中的知识对系统是不可见的。仓库必须是单一事实来源。
渐进式披露
这个框架实现了渐进式披露：智能体从一个小而稳定的切入点开始，并被指导下一步该去哪里查看，而不是一开始就被淹没。
OpenAI 团队严格执行这一点。专职的 linter 和 CI 作业会验证知识库的更新状况、是否已交叉链接且结构正确。一个定期运行的"doc-gardening"智能体会扫描那些不再反映真实代码行为的过时或废弃文档，并发起修复用的 Pull Request。
实践中的上下文工程
OpenAI 的知识库布局
AGENTS.md
ARCHITECTURE.md
docs/
├── design-docs/
│ ├── index.md
│ ├── core-beliefs.md
│ └── ...
├── exec-plans/
│ ├── active/
│ ├── completed/
│ └── tech-debt-tracker.md
├── generated/
│ └── db-schema.md
├── product-specs/
│ ├── index.md
│ ├── new-user-onboarding.md
│ └── ...
├── references/
│ ├── design-system-reference-llms.txt
│ ├── nixpacks-llms.txt
│ ├── uv-llms.txt
│ └── ...
├── DESIGN.md
├── FRONTEND.md
├── PLANS.md
├── PRODUCT_SENSE.md
├── QUALITY_SCORE.md
├── RELIABILITY.md
└── SECURITY.md
设计文档已被编目和索引，其中包括验证状态和一套核心理念，定义了智能体优先的操作原则。架构文档提供域和包分层的顶层地图。一份高质量的文档会对每个产品领域和架构层进行评分，并随着时间的推移追踪差距。
计划被视为一流的工件。临时轻量计划用于小幅变更，而复杂工作则记录在执行计划中，并附带进度和决策日志，这些日志会被提交到代码仓库。活跃计划、已完成计划和已知的技术债务都已进行版本控制并集中存放，使智能体能够在不依赖外部情境的情况下运行。
LangChain 的 LocalContextMiddleware
LangChain 使用 LocalContextMiddleware 在智能体启动时运行，映射 cwd 和其他父+子目录。他们运行 bash 命令来查找工具如 Python 安装。上下文发现和搜索容易出错，因此注入上下文减少了这个错误表面并帮助将智能体引导到其环境中。
将更多情境推送到仓库中
随着时间的推移，需要将越来越多的情境推送到仓库中。那次让团队在架构模式上达成一致的 Slack 讨论？如果智能体无法发现它，那么它就会像迟了三个月入职的新员工一样，对其一无所知。
为 Codex 提供更多情境意味着要组织和展示正确的信息，好令智能体能够基于这些信息进行推理，而不是用临时指令使其不堪重负。就像你会在产品原则、工程规范和团队文化（包括表情符号偏好）方面为新队友提供引导一样，将这些信息提供给智能体会带来更一致的输出。
相关概念
参考来源
- OpenAI - Harness Engineering：在智能体优先的世界中利用 Codex
- LangChain - Improving Deep Agents with harness engineering
- Anthropic - Effective context engineering for AI agents
最后更新：2026-04-07
本文档由 WikiLLM 编译自多个来源