context-fundamentals

context-fundamentals 技能概览

context-fundamentals 用于什么

context-fundamentals 是一份面向 AI agent 系统的 context engineering 实用指南：它教你把 context 当作有限的注意力预算来管理，判断哪些内容该放进 prompt，避免 agent 行为臃肿或脆弱。它最适合你需要 context-fundamentals skill 来帮助进行 agent 设计、context window 排查、prompt 结构梳理或 token 预算权衡的时候。

适合谁安装

如果你在构建或调优 agent、编写 system prompt、管理 retrieval，或者需要排查助手为什么漏信息、幻觉、跑偏，就应该使用 context-fundamentals。对于工程师、prompt 作者和技术负责人来说，这是一款非常适合的 context-fundamentals guide，而不是泛泛的 prompt 建议。

它的不同之处

这个技能不只是概念说明。它把决策规则、context 组件拆解和实用工具结合起来，让你能把 system prompt、消息历史、检索文档和工具输出当作不同输入分别思考。context-fundamentals for Context Engineering 的核心价值在于，它会推动你使用更小、信号更高的 context 集合，而不是那种“什么都放进去”的宽泛 prompt。

如何使用 context-fundamentals 技能

安装并找到核心文件

进行 context-fundamentals install 时，请使用技能目录里的仓库路径：muratcankoylan/Agent-Skills-for-Context-Engineering 下的 skills/context-fundamentals。先从 SKILL.md 开始，再阅读 references/context-components.md 获取结构化指导，最后查看 scripts/context_manager.py 了解工具层实现。这些文件同时覆盖了理论和实际工作流。

把模糊目标变成可用输入

这个技能在你的请求明确说明正在处理的系统、失败模式和约束时效果最好。比如，“审计这个 agent 的 context 栈，找出 token 浪费，并说明哪些内容该留在 system prompt、哪些该放在 retrieved docs 里”就比“帮我改进 prompt”更有效。这类输入能帮助 context-fundamentals usage 给出具体的预算、排序和裁剪建议。

推荐工作流

第一步，先识别涉及的 context 来源：instructions、memory、retrieval、tool 调用和对话历史。接着，让技能判断哪些内容是稳定的，哪些是任务相关的，哪些可以延后加载或之后再检索。然后把结果应用到真实的 prompt 或 agent 配置里，在相同 token 限制下测试输出质量是否提升。

推荐阅读顺序

先看 SKILL.md，了解这个技能应在什么时候触发；再快速浏览 references/context-components.md，掌握 prompt 结构和 instruction altitude 的调整方法。如果你想看 context 组装、token 估算、截断或 progressive disclosure 的具体示例，就打开 scripts/context_manager.py。按这个顺序，能最快从 context-fundamentals 走到实际实现决策。

context-fundamentals 技能 FAQ

这只适合 agent 构建者吗？

不是。虽然这个技能对 agent 构建者最有价值，但它同样适用于排查 prompt 质量、context 溢出或模型行为不一致的人。如果你的工作依赖长 prompt、工具输出或重 retrieval 工作流，context-fundamentals 大概率都相关。

它和普通 prompt 有什么区别？

普通 prompt 是告诉模型要做什么。context-fundamentals 帮你决定 哪些信息应该先进入 prompt、如何组织这些信息，以及哪些内容应该省略。也就是说，当问题出在 context 选择，而不只是措辞时，它会更有用。

它适合新手吗？

适合，只要你愿意先学几个核心概念：context 预算、选择性加载和 instruction altitude。新手可以先把这个技能当作诊断视角使用，等真正需要实现细节时，再去看 reference 文件和 script。

什么时候不该用它？

如果你只是要一个一次性答案、一段短文写作，或者简单改写 prompt，就不必特意用 context-fundamentals。它最适合 context 质量本身就是问题的一部分时，尤其是在 token 成本、注意力稀释或 retrieval 噪声会影响结果的系统里。

如何改进 context-fundamentals 技能

不只给任务，还要给 context 地图

最大的提升来自于把模型实际会看到的输入说清楚：system prompt、最近消息、检索文档、工具结果，以及任何 memory 层。你的 context 地图越完整，技能就越能准确建议该压缩什么、移动什么、删除什么。这是从 context-fundamentals 获得更多价值的最快方式。

清楚说明失败模式

如果模型忽略指令、重复回答、漏掉事实，或者在调用工具后表现失常，请直接说出来。不同失败对应不同修复方向：指令放置、retrieval 质量、截断顺序，或者 prompt 塞得太满。失败模式越具体，context-fundamentals skill 的输出就越可执行。

先测试更小的 prompt，再迭代

第一轮之后，把 prompt 缩到只保留最少且稳定的指令，再重新跑任务。如果质量保持不变，说明被删掉的 context 多半是噪声；如果质量下降，就只补回缺失的信号。这个迭代闭环就是 context-fundamentals usage 的核心模式。

用 reference 和 script 验证你的判断

当你在决定如何组织 prompt 或分配 token 预算时，可以把你的方案与 references/context-components.md 以及 scripts/context_manager.py 里的辅助逻辑做对照。reference 适合用来判断分段方式和 instruction altitude；script 则能帮助你从预算、截断和 progressive disclosure 的角度思考。