Context Engineering就是架構:650個檔案之後的心得

出自指南: Claude Code Comprehensive Guide

我的CLAUDE.md最初只有50行。六個月後,它已經發展成橫跨七個層級、包含650個檔案的分散式架構。這段演進揭示了一個事實:context engineering不是「多加幾個檔案的prompt engineering」,而是針對一種記憶會隨每個token衰減的基底所做的軟體架構設計。

Context決定了AI代理能思考什麼、記住什麼、遺忘什麼。所有其他設計決策都位於它的下游。以下是六個月在Claude Code上進行生產環境context engineering的紀錄:架構、失敗,以及從失敗中存活下來的系統。

AI代理的context engineering,是設計一套系統,讓正確的指令在正確的時機送達代理,同時確保不相關的指令根本不會被載入。 它遠不止於寫好一份prompt檔案,而是需要一套分層架構,讓規則、技能、hook、設定與狀態檔案各自在特定的生命週期事件中載入。排除什麼與納入什麼同樣重要,因為每一個不相關的token,都會擠掉代理為求正確而真正需要的context。

重點摘要

Böckeler在martinfowler.com發表的context engineering文章(2026年)1以及Miessler的清晰思維框架2推進了這場討論,但兩者都低估了生產環境的實際需求。Context engineering需要設計一套系統,讓正確的指令在正確的時機到達代理,而錯誤的指令永遠不會被載入。我的系統使用了九條規則、40個技能、19個代理、84個hook和14個設定檔,分布在七層階層架構中。架構的本質在於哪些檔案在什麼時候載入。排除什麼與納入什麼同樣重要。


Context不是一個檔案

每週都會出現的「如何撰寫CLAUDE.md」文章其實搞錯了重點。寫好一份CLAUDE.md是必要但不充分的,就像寫好程式碼對於建構好系統而言是必要但不充分的一樣。架構是決定元件如何互動的結構。在代理系統中,context就是那個結構。

最初的50行後來長成了一個單體:我的第一個CLAUDE.md有200行,涵蓋程式碼規範、專案結構、偏好設定、修正事項、開發哲學、憑證和活躍專案狀態。它撐了一個月。然後三件事同時發生:

  1. 檔案膨脹超過300行,開始自相矛盾(規則A說「保持簡單」,規則B說「加入完整的錯誤處理」)
  2. 專案A的context洩漏到專案B(iOS專用規則污染了網頁開發工作階段)
  3. 代理花費token閱讀與當前任務無關的指令

這些症狀指向的是架構問題,而非文件問題:耦合、範圍洩漏與資源浪費。驅動軟體架構決策的正是同樣的力量。3


七層架構

經過六個月的重構,我的context系統穩定成七層階層架構。每一層都有明確的目的,並在特定的時機載入:

層級 內容 載入時機 數量
1. 核心層 CLAUDE.md:開發哲學、活躍專案、修正事項 每次工作階段啟動 一個檔案,205行
2. 規則層 領域特定約束(API設計、安全性、測試、git) 每次工作階段啟動 九個檔案
3. 技能層 可重用的知識模組,含程序與範例 按需載入(手動呼叫或由hook自動啟用) 40個目錄
4. 代理層 專門化的審查者/生成器規格 按需載入(透過Task工具) 19個檔案
5. Hook層 在生命週期事件中自動注入context 事件驅動(工作階段啟動、pre-commit、post-tool) 84個腳本
6. 設定層 數值參數(閾值、預算、上限) 由hook和技能引用 14個JSON檔案
7. 狀態層 即時追蹤(代理譜系、信心校準、成本) 由hook引用 36個檔案

關鍵洞察在於層級分離。規則在每次工作階段載入,因為它們普遍適用。技能按需載入,因為它們屬於特定領域。Hook在事件發生時觸發,因為時機至關重要。如果在工作階段啟動時載入全部650個檔案,context視窗會在代理讀到第一則使用者訊息之前就耗盡。4

每一層的具體範例:

Layer 1 (Core):     ~/.claude/CLAUDE.md — philosophy, active projects, corrections
Layer 2 (Rules):    ~/.claude/rules/security.md — "Validate ALL user input at boundaries"
Layer 3 (Skills):   ~/.claude/skills/fastapi/SKILL.md — endpoint patterns, Pydantic models
Layer 4 (Agents):   ~/.claude/agents/security-reviewer.md — OWASP-focused review spec
Layer 5 (Hooks):    ~/.claude/hooks/pre-commit-check.sh — blocks commits with TODO/FIXME
Layer 6 (Config):   ~/.claude/config/thresholds.json — {"max_spawn_children": 12}
Layer 7 (State):    ~/.claude/state/agent-lineage.json — tracks active agent tree

階層中的每個檔案都只負責一件事,並有明確的載入觸發條件。Hook(第5層)無論專案類型為何,都會在pre-commit時觸發。技能(第3層)只在FastAPI任務開始時載入。這種區分決定了token成本。


塑造架構的三次失敗

失敗一:單體式CLAUDE.md

我最初的CLAUDE.md包含iOS規則、網頁規則、API設計模式、git慣例、憑證管理和開發哲學原則,全部放在同一個檔案裡。代理在每次工作階段都會讀取全部內容,即使當下建構的網頁專案永遠不會碰到SwiftUI。

代價: 不相關的context每次工作階段估計消耗4,000個token。經過50次工作階段,總計約200,000個token花在代理從未使用的指令上。

解決方案: 將領域特定的內容抽取到rules/檔案中。rules/security.md在每次工作階段載入(安全性適用於所有場景)。rules/ios-security.md僅在工作階段涉及iOS專案時才載入。Context視窗管理一文記錄了驅動此決策的token經濟學。

失敗二:過時的技能

我建立了一個fastapi技能,使用的是FastAPI 0.109的範例。三個月後,專案已改用FastAPI 0.115,模式也不同了。這個技能無聲無息地教導過時的慣例。代理產出的程式碼能運作,卻與當前程式碼庫不一致。

代價: 一次45分鐘的除錯,追查為什麼一個新端點使用了與其他所有端點不同的依賴注入模式。這個模式來自過時的技能,而非程式碼庫本身。

解決方案: 技能引用有版本標註的文件,並註明「最後驗證」日期。更重要的是,品質迴圈要求生成的程式碼必須符合現有程式碼庫的模式。這是一種後設認知檢查,無論技能內容為何,都能抓到過時技能造成的偏移。

失敗三:不同層級的規則互相衝突

CLAUDE.md說「偏好簡單的解決方案」。一個技能說「加入完整的錯誤處理,包含重試邏輯和熔斷器」。兩者單獨看都合理。放在一起,卻產生不一致的輸出(有時極簡,有時過度工程化),取決於代理在某一回合中對哪條指令給予更高的權重。

代價: 輸出品質無法預測。同類型的任務在不同工作階段會產生不同的品質水準,使系統變得不可靠。以下是實際互相衝突的指令:

# In CLAUDE.md (Layer 1):
- Prefer simple solutions. Avoid over-engineering.

# In skills/fastapi/SKILL.md (Layer 3):
- Add thorough error handling with retry logic and circuit breakers
  for all external API calls.

兩者單獨看都正確。「偏好簡單的解決方案」是很好的通用建議。「為外部呼叫加入重試邏輯」是很好的領域特定建議。但同時讀到兩者的代理,有時會略過重試邏輯(遵循簡潔原則),有時又會把簡單的函式過度工程化(遵循錯誤處理指令)。

解決方案: 建立明確的優先順序階層。CLAUDE.md設定原則(「偏好簡潔」)。規則設定約束(「驗證所有使用者輸入」)。技能設定程序(「以下是建構FastAPI端點的方法」)。當它們衝突時,越具體的層級優先:在技能所涵蓋的特定任務中,技能的程序會覆寫原則的指導。這種解析方式與程式語言處理作用域的方式如出一轍:區域覆寫全域。5上述範例的修正方式,是在技能中加上限定說明:「為外部API呼叫加入重試邏輯(對於依賴網路的程式碼,此條覆寫通用的簡潔原則,因為外部呼叫會間歇性失敗,而重試並不是過度工程化)。」


Context預算作為架構約束

Context視窗不是無限的。Claude標準的200K token context視窗6聽起來很大,直到您實際衡量是什麼在消耗它。(透過API標頭可使用1M token的測試版,它按比例放大了預算,卻無法消除取捨:載入650個檔案依然會耗盡1M token。)

消耗來源 典型token數 佔視窗比例
系統提示 + CLAUDE.md + 規則 8,000-12,000 4-6%
對話歷史 20,000-80,000 10-40%
檔案讀取(每個檔案) 5,000-20,000 2.5-10%
工具輸出(每次呼叫) 1,000-10,000 0.5-5%
技能/代理context(按需) 3,000-15,000 1.5-7.5%

Token消耗的量測數據來自我在2025年8月至2026年2月間追蹤的50次Claude Code工作階段。7一次90分鐘的密集工作階段,光是正常的檔案讀取與工具互動就能耗盡整個視窗。請注意,200K視窗是輸入的總容量;模型的有效注意力(也就是它能高度準確關注的部分)是另一個更小的數字。即使總token用量遠低於上限,context預算紀律依然重要,因為位於長context開頭的指令,比位於中段的指令獲得更可靠的注意力。Context預算迫使我們做出架構取捨:

始終載入核心開發哲學、活躍的修正事項和安全規則。三者成本低廉(佔預算的4-6%)且普遍適用。在不需要時載入它們的成本微不足道;在需要時缺少它們的代價,則是錯誤的輸出。

按需載入技能、代理規格和參考文件。每個技能佔視窗的5-15%,且只適用於單一領域。只在相關時才載入,能為實際工作保留預算。載入技能的觸發條件是任務類型,而非工作階段類型:一個網頁開發工作階段若遇到資料庫遷移,就需要資料庫技能,即使它在啟動時並未載入。

永不載入過時的交接文件、已棄用的設定或歷史狀態。每個過時的檔案都消耗預算卻不改善輸出。更糟的是,過時的context會教導過時的模式,主動讓輸出變差。複利工程模式要求定期清理那些不再值得其token成本的context。

Context預算管理,與傳統軟體中驅動資料庫索引、快取策略和記憶體管理的取捨如出一轍。8約束不同(token而非位元組),但架構紀律完全相同。


多代理系統中的Context傳播

當主代理透過Task工具生成子代理時,選擇傳播哪些context會左右其他所有設計決策。我的多代理審議系統使用10個研究代理。每個代理都需要足夠的context來獨立評估,但過多的共享context會導致boids文章中記錄的收斂問題:共享過多context的代理會得出完全相同的結論。

傳播規則:

Context類型 是否傳播? 原因
核心哲學 是 確保跨代理的一致性
領域規則 是 共享的品質標準
任務特定指令 是 實際的工作內容
對話歷史 否 獨立性需要隔離
其他代理的發現 否(直到整合階段) 防止過早收斂
技能程序 選擇性傳播 僅傳播與代理角色相關的技能

Ralph架構解決的是一個相關問題:跨時間(迭代)的context傳播,而非跨代理(平行行程)的傳播。兩者共享相同的原則:傳播約束與原則,隔離實作細節。

傳播的實際運作

一個具體範例能說明其中的取捨。當主代理生成一個安全審查子代理時,Task提示包含:

## Propagated Context
- Core philosophy: Quality is the only variable (from CLAUDE.md)
- Security rules: OWASP Top 10, input validation at boundaries (from rules/security.md)
- Task: Review the authentication endpoint changes in app/auth.py

## NOT Propagated
- The main agent's conversation history (50+ messages about UI layout)
- Findings from the architecture reviewer (would bias security analysis)
- The FastAPI skill (irrelevant to a security-focused review)

安全審查者收到的context是2,000個token,而非40,000個。它依據安全準則評估程式碼,不受UI決策干擾,也不受其他代理結論的影響。這種隔離產生了獨立的評估。如果安全審查者與架構審查者各自獨立指出同一個問題,這項發現的可信度,會高於一位審查者看過另一位的報告後才表示同意的情況。


衡量Context品質

Token數量只是替代指標。Context品質真正的衡量標準是:代理是否在第一次嘗試就產出正確的輸出?

追蹤50次工作階段後,我歸納出三個品質訊號:

首次嘗試成功率。 代理的第一次回應有多常不需要修正?使用單體式CLAUDE.md時,比率大約是60%。改用七層架構後,提升到大約80%。改善來自移除不相關的context(減少干擾)以及新增領域特定的技能(增加相關知識)。9

以下是追蹤紀錄中一組具代表性的前後對照。任務完全相同:「為某個API端點加入速率限制」。

之前(單體式CLAUDE.md,2025年7月)。 代理的第一次回應匯入了一個專案中沒有使用的速率限制函式庫(它沿用了過時FastAPI技能中的範例,而該技能與iOS規則、安全規則以及150行無關內容一起被載入)。修正內容:「使用app/middleware.py中既有的RateLimiter類別」。一次修正,歸類為「事實性錯誤:缺少程式碼庫context」。

之後(七層架構,2025年11月)。 同類型任務,不同端點。代理的第一次回應使用了既有的RateLimiter中介軟體,沿用相鄰端點的參數命名慣例,並註明模式來源:「遵循app/middleware.py:42中的速率限制模式」。無需修正。FastAPI技能(第3層)按需載入,內含當前的模式;由於工作階段不涉及iOS,iOS規則沒有載入。

若想自行追蹤:在紀錄中將每次代理工作階段的第一次回應標記為「接受」或「修正」,然後每月計算比率。精細度不必很高,20次以上工作階段的方向性趨勢,比精確的百分比更有用。

修正類型。 當代理確實需要修正時,錯誤是事實性的(錯誤的API、錯誤的模式),還是判斷性的(錯誤的方法、錯誤的優先順序)?事實性錯誤代表缺少context:代理缺乏產出正確答案所需的資訊。判斷性錯誤代表context互相衝突或模糊:代理擁有資訊,卻錯誤地權衡了彼此競爭的指令。這種區分很重要,因為修正方式不同:事實性錯誤需要補充context(新增一條規則或一個技能),判斷性錯誤則需要釐清context(解決既有層級之間的衝突)。追蹤修正類型,能揭示哪一層需要關注。

任務完成時的context壓力。 任務完成時還剩多少context預算?如果任務才完成一半,視窗就已使用90%,代表context架構載入了太多不相關的材料。我的hook系統包含一個context壓力監控器,在使用率超過70%時發出警告。


工作階段實例:什麼在何時載入

透過一個具體的實例,可以看清七個層級在真實任務中如何互動。情境是:我請Claude Code在blakecrosley.com專案中「為/api/ab/event端點加入速率限制」。

工作階段啟動(0秒)。 Claude Code載入第1層(CLAUDE.md,205行,約800個token)與第2層(全部9個規則檔案,約3,200個token)。總計消耗的context:約4,000個token(200K視窗的2%)。此時代理已經掌握我的程式設計哲學、安全要求、API設計慣例和git工作流程,無論我要求它做什麼。

任務開始(2秒)。 代理讀取任務,判定這是一項FastAPI端點修改。第5層(hook)觸發:UserPromptSubmit hook注入當前日期與工作階段context(約200個token)。代理不會載入SwiftUI技能、iOS安全規則或Midjourney提示技能。這些檔案存在,但與任務無關。排除它們省下約8,000個token。

檔案讀取(5至30秒)。 代理讀取app/main.py、既有的端點程式碼和測試檔案。每次檔案讀取消耗5,000-15,000個token的context。讀完三個檔案後:已消耗約30,000-50,000個token(視窗的15-25%)。

技能啟用(如有需要)。 如果代理需要FastAPI特定的模式,就會載入第3層(skills/fastapi/SKILL.md,約2,500個token)。技能之所以載入,是因為任務需要它,而不是因為工作階段開始了。如果這是一個純CSS任務,FastAPI技能永遠不會載入。

實作與驗證(30秒至5分鐘)。 代理撰寫程式碼、執行測試並回報結果。到任務完成時,context消耗通常為60,000-100,000個token(視窗的30-50%)。剩餘的預算足以應付後續提問、修正,或在同一工作階段中進行第二項任務。

關鍵觀察:第1層與第2層只消耗視窗的2%,且適用於每一項任務。第3至7層的內容選擇性載入,只在相關時消耗5-25%。如果全部650個檔案都在工作階段啟動時載入,將消耗約150,000-200,000個token,幾乎不留空間給實際工作。


分散式架構模式

七層系統中沒有任何東西是AI代理獨有的。它對映了既有的軟體模式:

軟體模式 Context對應項
環境變數 核心CLAUDE.md(始終載入,全域性)
設定檔 規則(啟動時載入,領域特定)
函式庫/模組 技能(按需載入,自成一體)
微服務 代理(彼此隔離,透過協定通訊)
事件處理器 Hook(由生命週期事件觸發)
資料庫 狀態檔案(持久化,可查詢)
API合約 設定schema(共享的數值參數)

這種對應不是隱喻。相同的力量(耦合、內聚、範圍、生命週期)驅動了完全相同的架構決策。10 Context engineering就是軟體工程,只是其基底中的「記憶體」是一種稀缺且會衰減的資源,而非充裕且持久的資源。11

這套架構也獲得了獨立的驗證:obra/superpowers專案各自演化出一套類似的Claude Code context多層結構,核心原則放在全域檔案中,領域技能按需載入,驗證程序則與行為指令分開。12這種殊途同歸顯示,分層架構並非個人特有的設計偏好,而是對這種基底限制的自然回應。


關鍵要點

給建構代理系統的工程師:

  • 像設計軟體架構一樣設計context,而非當作文件來寫。 什麼在何時載入、什麼覆寫什麼、什麼傳播給子代理,這些對代理行為的影響遠超任何單一指令。請運用您在程式碼上使用的同等關注點分離紀律。

  • 按生命週期分離層級。 通用規則在每次工作階段載入。領域特定知識按需載入。每次工作階段的狀態保持暫時性。將不同生命週期混在一個檔案中,會產生軟體架構正是為了解決而存在的耦合問題。

給擴展AI工作流程的團隊:

  • 將context視窗視為預算。 系統提示、檔案讀取和工具輸出都在消耗200K token的視窗。每一條持久化的指令都在與工作記憶體競爭。衡量您載入的內容,並清理不值得其token成本的部分。

  • 傳播規則決定多代理品質。 子代理需要共享的原則來維持一致性,也需要隔離的狀態來維持獨立性。傳播過多context會導致收斂。傳播過少則會導致不連貫。

練習:稽核您的context系統。 建立以下目錄結構,並將您既有的指令填入其中:

mkdir -p .claude/{rules,skills,agents,hooks,config,state}
# Move domain-specific sections from CLAUDE.md into rules/
# Move reusable procedures into skills/
# Move agent specs into agents/

接著回答:哪些檔案每次工作階段都載入,其實應該按需載入?還缺少哪些按需載入的檔案?用簡單的紀錄追蹤答案:將每次工作階段標記為「首次嘗試即正確」或「需要修正」,並在20次工作階段後檢視比率。


常見問題

該如何為AI程式設計代理組織context檔案?

當領域特定內容超過20至30行,且至少在部分工作階段中與任務無關時,就把它抽取到獨立檔案中。如果您把iOS專用規則和網頁專用規則寫在同一個CLAUDE.md裡,代理無論當前是哪個專案都會兩者都讀。將通用約束(安全規則、程式碼規範、開發哲學原則)保留在核心檔案中。將領域特定模式(FastAPI端點、SwiftUI慣例、資料庫查詢)移到按需載入的檔案,只在任務需要時才載入。

如何得知某個技能已經過時?

有兩個訊號:代理產出的程式碼能運作,卻不符合當前程式碼庫的模式;或代理引用了某個框架舊版本的API或模式。為每個技能加上「最後驗證」日期,並每季檢查一次。更重要的是,品質迴圈(生成的程式碼是否符合既有模式?)無論技能內容為何,都能抓到過時技能造成的偏移。

Context預算多大才合適?

以200K token的視窗而言,保留4-6%給系統提示與規則(始終載入),留下40-60%給對話歷史與檔案讀取(實際工作),並為按需載入的技能與代理context編列10-15%的預算。如果任務還沒完成一半,context壓力就超過70%,代表您載入了太多不相關的材料。具體比例取決於任務的複雜度:多檔案重構消耗的context,比單一函式的錯誤修正更多。

如何處理不同層級之間互相衝突的指令?

採用以範圍為基礎的優先順序:越具體的層級優先。技能(區域作用域)覆寫規則(模組作用域),規則再覆寫CLAUDE.md(全域作用域)。發現衝突時,請將解決方式明確寫出來,而不是仰賴模型以機率方式自行解決。在較具體的層級中加上一則說明:「在此特定情境中,本條覆寫X這項通用原則,因為Y。」


本文延續Context視窗管理(token經濟學)與Ralph系統(檔案系統記憶體)。Claude Code hook系統實作了自動化層。關於代理協調模式,請參閱多代理審議和從Boids到代理。



  1. Birgitta Böckeler,「Context Engineering for Coding Agents」,martinfowler.com,2026年2月。martinfowler.com/articles/exploring-gen-ai/context-engineering-coding-agents.html。Böckeler的同事Bharani Subramaniam將context engineering定義為「curating what the model sees so that you get a better result」(策劃模型所看到的內容,以獲得更好的結果)。這個定義是正確的。本文進一步主張,資訊如何被組織與交付的結構,是一門架構學科,而非文件撰寫練習。 ↩

  2. Daniel Miessler,「How to Talk to AI」,danielmiessler.com,2025年6月。danielmiessler.com/blog/how-to-talk-to-ai。Miessler認為,prompt engineering與context engineering背後真正的技能是清晰思考:準確表達您想要達成什麼的能力。這個框架與本文互補,本文聚焦於組織context的結構性紀律,而非如何清晰地思考context。 ↩

  3. 軟體架構的類比是刻意為之。Robert C. Martin,Clean Architecture: A Craftsman’s Guide to Software Structure and Design,Prentice Hall,2017年,Part III(Design Principles)與Part V(Architecture)。Martin指出了相同的力量:耦合、內聚與關注點分離。AI context系統的不同之處在於「記憶體」是短暫且有界的,增加了一個傳統架構不會面臨的約束。 ↩

  4. 650個檔案的數量是作者截至2026年2月的實測結果。全域context:約400個檔案(規則、技能、代理、hook、設定、狀態、文件、交接)。專案特定context(blakecrosley.com):約250個檔案(PRD、文件、計畫、工作流程、i18n設定)。每次工作階段僅載入其中一小部分。 ↩

  5. 程式語言中的變數作用域解析(區域、外層、全域、內建)就是直接的類比。Python的LEGB規則定義了相同的階層:區域作用域、外層函式作用域、全域作用域、內建作用域。參見Python Software Foundation,「Execution Model」,第4.2.2節,「Resolution of names」。docs.python.org/3/reference/executionmodel.html。技能(區域作用域)覆寫規則(模組作用域),規則覆寫CLAUDE.md(全域作用域)。由於LLM的指令遵循是機率性而非確定性的,這個類比略有不足,但架構原則依然成立。 ↩

  6. Anthropic,「Models overview」,platform.claude.com,2025年。platform.claude.com/docs/en/docs/about-claude/models。所有當前的Claude模型(Opus 4.6、Sonnet 4.6、Haiku 4.5)都標示200K token的context視窗,其中Opus 4.6與Sonnet 4.6在測試版中支援1M token。 ↩

  7. Token消耗的量測數據來自我在2025年8月至2026年2月間追蹤的50次Claude Code工作階段。完整方法論請參閱Context視窗管理。 ↩

  8. Token預算與記憶體階層之間的類比,遵循Hennessy, J.L.與Patterson, D.A.的框架,Computer Architecture: A Quantitative Approach,第六版,Morgan Kaufmann,2017年,Chapter 2(Memory Hierarchy Design)。Hennessy與Patterson對快取階層、參照區域性以及不同層級記憶體存取成本的論述,直接對映到context engineering:經常需要的context(L1快取/核心規則)載入最快,而很少需要的context(磁碟/按需技能)僅在被引用時才載入。 ↩

  9. 首次嘗試成功率是一項粗略指標,依據作者主觀判斷第一次回應是否需要修正,並非受控實驗。方向性的改善(從60%到80%)在各類工作階段中一致,但不應被當作精確的量測結果引用。 ↩

  10. James Lewis與Martin Fowler,「Microservices」,martinfowler.com,2014年3月。martinfowler.com/articles/microservices.html。Lewis與Fowler將微服務定義為「a suite of small services, each running in its own process and communicating with lightweight mechanisms」(一組小型服務,每個服務在自己的行程中執行,並透過輕量級機制通訊)。他們指出的力量(獨立部署、去中心化治理、有界context)直接對映到本文所描述之context架構中的代理隔離與基於協定的通訊。 ↩

  11. 「context即架構」的框架借鑑自Xu等人,「Everything is Context: Agentic File System Abstraction for Context Engineering」,arXiv,2025年12月。arxiv.org/abs/2512.05470。該論文提出一種檔案系統抽象,用於管理生成式AI系統中的context,將多樣的知識工件、記憶與工具視為token約束下的context。此理論框架支持本文所描述的實務架構。 ↩

  12. obra/superpowers,github.com/obra/superpowers。superpowers專案將代理context組織為核心指令、按需技能與驗證程序,這種結構雖然是獨立發展而來,卻與本文描述的七層架構不謀而合。這種殊途同歸支持了本文的論點:分層context是面對有界context視窗時自然而生的架構回應。 ↩

相關文章

Ralph 迴圈:我如何在夜間運行自主 AI 代理

我建構了一套自主代理系統,搭配停止鉤子、生成預算與檔案系統記憶體。以下是失敗經驗與真正能交付程式碼的方法。

9 分鐘閱讀

多代理審議:當共識本身就是漏洞

多代理審議能捕捉單一代理系統遺漏的失誤。以下是其架構、走過的死胡同,以及真正值得建構的部分。

15 分鐘閱讀

情境即是新記憶

情境工程是代理開發中影響力最大的技能。三層壓縮機制將200K token視窗從負擔轉變為優勢。

14 分鐘閱讀