Context Engineering：让正确的信息在正确时刻出现
Context Engineering 不是写一条神奇 Prompt，而是持续选择、组织、压缩和更新任务信息。
- 能设计上下文分层、检索与装箱策略
- 能处理来源冲突和时效性
- 能识别上下文污染与 Prompt Injection
同一个模型，为什么在两个 Agent 产品中的表现可能差很多？
Context Engineering 不是把 Prompt 写得更长，而是管理信息从来源到模型的生命周期。系统要知道资料属于规则、任务状态、外部知识还是临时观察，也要知道谁更权威、何时过期、能否回源。
同一个模型在两个产品中表现不同，常常因为一个系统只把当前消息交给模型，另一个系统提供了清晰目录、最新规则、相关文件和结构化工具结果。信息太多同样危险：旧规则、重复片段和不可信内容会污染判断。
先记住这句话Agent 每一步都依赖 Harness 构造的新输入。高质量上下文需要渐进披露：先给稳定地图，再按任务读取细节；让信息可检索、可验证、不过期。
把 Context 做成一条可观测管线
管线依次完成发现、筛选、排序、去重、冲突检查、装箱和回源。每一步都应保留来源、时间、scope 与为什么被选中的理由。
稳定且短小的规则与索引可以常驻；长文档和历史按需读取；敏感凭证、无关个人数据和外部恶意指令不应进入普通上下文。
相关不等于可信
搜索排名第一只说明文本相关，不能证明它是最新业务规则。来源冲突时，系统应展示差异、回到权威材料或询问用户，而不是静默让模型猜。
来自网页、邮件和文档的文字首先是不可信数据，即使它要求 Agent 改变目标，也不能自动升级成系统指令。
Context Engineering 管理整个任务生命周期中的信息供应链：盘点、分层、检索、去重、冲突检测、装箱、裁剪、压缩与回源。目标不是提供最多信息，而是让下一步决策拥有最小充分证据。
按权威性、时效性、scope 和信任等级登记来源
围绕当前任务检索、排序、去重并检测冲突
装入硬约束、当前状态、关键证据和工具 Schema
裁剪工具结果、压缩旧轨迹并保留回源指针
有术语没听懂？在这里用人话再看一遍5 个词＋
- Context Engineering
- 持续选择、组织、压缩、更新和治理模型当前可见信息的系统工作。
- 渐进披露
- 先提供稳定地图和索引，再根据当前任务按需读取细节。
- Scope
- 信息生效的范围，例如用户、团队、项目、任务或单次调用。
- TTL
- 信息在多长时间后需要过期或重新确认。
- 上下文污染
- 无关、过期、冲突或不可信信息进入模型并影响判断。
设计促销资格逻辑时遇到规则冲突
Agent 同时读取最新 PRD、旧 Wiki、接口定义、现有代码和历史决策。最新代码与旧 Wiki 冲突。
- 01
系统先按权威性和更新时间标注来源
- 02
冲突不静默消解，而是回源并向用户提示影响
- 03
确认后把决策写入任务状态，旧来源保留但降权
Agent 不只给出答案，还能解释使用了哪条规则、为什么以及仍有哪些冲突。
本章依据与证据边界3 条结论 · 11 份原始材料＋
正文已经把关键来源放在相关概念旁边。这里保留完整核验清单：每条材料能支持什么、不能支持什么；不要求离开本站才能继续学习。
- [1]
OpenAI 的 Harness Engineering 案例强调为 Agent 提供可导航、可验证的仓库信息和反馈环境。
官方事实OPHarness engineering: agent-first world官方工程文章 · 核验 2026-07-14 - [2]
Codex Agent Loop 的公开说明包含上下文组装、工具结果回填与长任务压缩。
官方事实OPUnrolling the Codex agent loop官方工程文章 · 核验 2026-07-14 - [3]
本站的 Context Pipeline 七步与 always/on-demand/never 分层是通用教学框架。
本站推演OPHarness engineering: agent-first world官方工程文章 · 核验 2026-07-14
查看全部一手材料与源码证据 11 条
这份文档把 Claude Code 的 Agent Loop 描述为收集上下文、采取行动、验证结果三个相互交织的阶段，并说明模型与工具如何通过结果反馈持续调整。它还解释 Claude Code 作为 Harness 所承担的上下文管理、执行环境、会话、压缩、检查点和权限职责。
官方方法 · 核验 2026-07-11Effective context engineering for AI agentsAnthropic这份材料将 Context Engineering 定义为持续选择和维护推理时最合适的信息，而不只是改写一条 Prompt。它支持最小高信号上下文、按需检索、工具结果压缩、结构化笔记、Compaction 与 Subagent 隔离等长任务策略。
官方产品实现 · 核验 2026-07-11How Claude remembers your projectAnthropic这份文档区分由人维护的 CLAUDE.md 持久指令与由 Claude 写入的 Auto Memory，并描述它们的作用域、加载顺序、存储位置和容量边界。它强调这些内容会作为上下文影响模型，而不是不可绕过的技术策略，并支持用户检查、修改和删除记忆。
官方产品实现 · 核验 2026-07-11Create custom subagentsAnthropic这份文档说明 Subagent 使用独立上下文完成委派任务并向主会话返回摘要，可分别配置模型、工具、权限、Skill、MCP、Memory、Hook 与 Worktree 隔离。它支持把 Subagent 的价值定位为上下文隔离、并行和专业化，而不是把增加 Agent 数量等同于自动提升结果质量。
官方方法 · 核验 2026-07-11Effective harnesses for long-running agentsAnthropic这份材料展示 Compaction 仍不足以解决跨上下文长任务，并总结一次做太多、半成品难接续和过早宣布完成等失败模式。它用初始化环境、功能清单、进度文件、Git 历史、增量推进和端到端验证说明 Harness 如何把连续性写入环境。
官方产品实现 · 核验 2026-07-11Unrolling the Codex agent loopOpenAI这份材料逐步解释 Codex Harness 如何组装 instructions、tools 与 input，通过 Responses API 在一次 Turn 内循环完成模型推理和工具调用。它还说明对话增长、上下文窗口、Prompt Caching 与 Compaction 为什么属于 Harness 的核心工程责任。
官方方法 · 核验 2026-07-11Harness engineering: leveraging Codex in an agent-first worldOpenAI这份案例说明当 Agent 承担大量执行工作时，人类工作的重心会转向表达意图、设计环境、维护可读知识和建立反馈回路。它支持用仓库内版本化知识、机械化架构约束、测试、Lint 与可操作错误信息提升 Agent 的可读性、自治性和长期一致性。
固定提交源码 · 核验 2026-07-11Hermes Agent context compression and tool runtimeNous Research这份同提交文档解释 Hermes 如何区分稳定、上下文和易变 Prompt 层，并在压力下裁剪旧工具输出、保留边界、生成结构化摘要和修复工具调用配对。它支持课程讨论上下文压缩与缓存边界，不用来证明未在该文档中展开的工具运行时。
官方方法 · 核验 2026-07-14Harnessing Claude’s intelligenceClaude by Anthropic这份官方设计说明展示 Claude Code 团队如何把模型能力放进工具、上下文、权限与反馈环境，并把 Harness 视为随模型变化而持续调整的产品系统。
证据边界：它解释团队经验，不代表每个领域都应复制 Claude Code 的产品结构。官方产品实现 · 核验 2026-07-14Hermes Agent Persistent MemoryNous Research当前文档说明 Hermes 使用有字符上限的 MEMORY.md 与 USER.md、会话开始时冻结注入、写入审批、安全扫描，以及基于 FTS5 的 Session Search。
证据边界：可写 Memory 不等于事实正确、无限记忆、向量 RAG 或模型权重更新。官方产品实现 · 核验 2026-07-14Hermes Agent Context Compression and CachingNous Research当前文档公开工具结果裁剪、头尾保护、结构化摘要、重压缩和缓存策略，并说明摘要模型窗口不足时中段上下文可能在无摘要情况下被丢弃。
证据边界：Compaction 不能保证信息无损，也不是长期 Memory。