◆ The Learning Grove 林间拾穗

标签：context-engineering

  • 斯坦福CS146S课程与Monaco AI实践：AI原生开发趋势 Latent Space
    斯坦福大学Mihail Eric在AI Engineer频道访谈中，介绍了其CS146S《现代软件开发者》课程的更新背景，以及作为Monaco AI负责人的实践经验。文章探讨了AI编程代理的发展、上下文工程的重要性，以及AI原生开发对初级开发者的影响。
  • 投资者的真正优势存在于大脑中：机器时代如何赋能而非取代人类洞见 AI Engineer
    在数据呈指数级爆发与注意力稀缺的悖论下，交易员的核心竞争优势在于其无法被下载的隐性认知。面对大模型与全自动 Agent 无法承担法律责任与因果可追溯性的局限，Moshi 提出将高强度数据清洗与归纳交由机器基础设施，把核心决策权完整保留给人脑的系统化协作路径。
  • 更聪明的模型杀死了 Harness？智能体脚手架的消亡与下一代演化 AI Engineer
    前 Cursor 核心工程师、现 SpaceX/xAI 团队成员 Jedidiah 深度解析了 Agent Harness（智能体脚手架）的演进历程。随着大模型原生编码能力的跃升，针对代码补丁的旧式 Harness 正因数据飞轮走向消亡，但新型 Harness 正通过协调长周期多智能体、构建通用原语及云端化基础设施，开启软件工厂与知识工作的新前沿。
  • 构建定制化智能体测试框架与反洗钱应用实践 AI Engineer
    主讲人通过银行反洗钱可疑交易场景，探讨构建自主智能体测试框架（harness）的必要性。提出针对特定业务问题简化并定制测试框架，涵盖内存管理、指令层级及混合检索等关键组件。
  • 做好人类的最后一次代码交接：破解知识衰退定律与人机协同新范式 Peter Pang
    探讨大模型时代人机协同的核心瓶颈与破解方案。由于代码无法传达历史决策背景与设计意图，导致知识衰退定律生效并引发AI幻觉与错误返工。通过为代码组件就近配置架构选型、修改历史、时序流程图及端到端测试用例等结构化知识库，能够消除信息孤岛，大幅降低Token消耗并提升开发准确度。
  • 为什么更大的上下文窗口拯救不了你的 Agent：上下文工程与记忆架构实战 AI Engineer
    随着 Agent 频繁调用工具产生海量数据，单纯依赖大上下文窗口会导致迷失在中间、推理退化与成本失控。来自 AWS 的 Elizabeth 结合开源框架 Strands，系统性阐述了对话管理、多级记忆架构、内存指针与异步解耦等核心上下文工程策略。
  • 从停滞的 POC 到生产环境：利用非结构化数据治理构建高质量企业级 AI 智能体 AI Engineer
    Collibra（前 DZee Labs）专家深入探讨企业在将 GenAI 和 RAG 项目从概念验证（POC）推向生产环境时面临的核心瓶颈：非结构化数据的筛选与质量治理。通过制造巨头 North River 的法律聊天机器人案例，展示了如何自动化标签分类、敏感信息过滤、冲突与重复数据清洗，以及基于上下文构建高质量数据切片，显著提升大模型检索召回率与准确率。
  • 2026 年做一个 Manus，哪些地基不用再手搓了：以 AgentCore 为样本看 agent 基础设施 yage.ai
    文章以Manus为样本，剖析Agent基础设施的五大核心需求，并对比AWS AgentCore等云服务的标准化解决方案。指出2026年隔离计算、会话粘性等底层工程已商品化，但上下文工程与决策逻辑仍是产品核心壁垒，帮助开发者厘清基础设施与上层应用的边界。
  • 重构实体农业：利用多变量 AI 智能体破局草饲放牧系统 AI Engineer
    Firecrawl 的 Cody Menefee 探讨了如何将 AI 智能体与上下文工程应用于真实物理世界。面对 97% 肉牛依赖集中育肥的现状，他提出利用卫星与地表感知、开源硬件项圈及 LLM 多变量推理，实现草场轮牧的完全自动化，以技术重塑生态农业与食品系统。
  • AI Agent 时代下软件工程底层原则与战略性编程的实践 The Pragmatic Engineer
    本文探讨了在与AI智能体协作开发时，如何回归软件工程的经典基本功。核心观点包括使用“引导词”来引导智能体，理解“战略性编程”的难度，以及如何通过衡量指标证明底层工程投入的重要性。文章强调了内省（introspection）作为优秀工程师的核心特质，并指出经典书籍和工程术语在与AI交互中的先验知识价值。
  • AI Agent 上下文工程：如何终结「你说的完全正确」并解决企业级上下文缺失 AI Engineer
    Unblocked 联合创始人 Brandon Waselnuk 深入探讨了 AI Agent 在企业工程落地中的核心瓶颈——上下文缺失。他分析了 Agent 频繁出现「你说得对」并陷入无休止错误循环的底层原因，对比了人工维护 Markdown 上下文与 MCP 工具调用的局限性，并提出了融合全域工程数据、权限控制、确定性分析与语义检索的企业级上下文引擎解决方案。
  • 企业级 AI 知识库如何防止秘密泄露：大银行背后的架构实践与权限隔离 AI Engineer
    Hasura 联合创始人及 PromptQL 团队针对企业级 AI 大脑（Company Brain）的数据泄露与权限越界难题，提出了去中心化生长的 Wiki 知识架构。通过引入人工审核确认机制与动态上下文 Scope 范围隔离，并在沙箱执行层实现基于用户凭证的动态注入与数据虚拟化代理，彻底解决了多租户与协同场景下的权限提升风险。
  • 高效电商 AI 智能体解剖指南 | 选自 Anthropic 的 Claude 博客 | 宝玉的分享 baoyu.io
    本文是一份关于构建高效电商 AI 智能体的解剖指南，重点探讨了架构设计、延迟与成本优化、生产环境中的记忆管理、安全性约束以及评估实践。核心思想是优先使用技能而非子智能体，将 UI 组件工程化为工具，并通过提示词缓存、模型选择和严格的评估套件来平衡模型智商、延迟和成本，最终实现用户体验和业务指标的统一。
  • Grok Bot 泄露：为什么 agent 的 system prompt 必须冻结 yage.ai
    文章深入探讨了 Grok Bot 源码泄露后，在 Agent 系统设计中如何管理 system prompt 的稳定性与动态性。核心思想是，将 system prompt 视为需要显式管理失效边界的工程对象，并提出了‘稳定’（冻结到 compaction 边界）、‘追加’（append-only 序列化）、‘外置’（超过 12KB 的内容写到文件系统）等六条纪律，以平衡模型性能、运行成本和上下文容量。
  • Grok Bot 泄露：Cursor 为什么只给模型一部分工具的完整定义 yage.ai
    文章深入分析了 Grok Bot 源码泄露后，Cursor 如何设计其动态工具加载机制，并探讨了将工具定义放在 context 层还是 tools 数组层对模型性能和成本的影响。核心观点是，将动态性推到 context 层（通过一行 hint 形式存在）可以保持工具面稳定，同时实现按需加载，这与 Manus 的静态全量加载策略在底层约束上是相通的。
  • 上下文工程、循环工程与智能体代码生成的新范式 The Pragmatic Engineer
    文章探讨了“上下文工程”的定义，解释了如何通过抽象层去处理模型输入。同时分析了“循环工程”和“更卖力地生成 token”等概念，并回顾了软件工厂的历史演变。核心观点强调了在AI时代，开发者需要从单纯编写代码转向规范说明和测试，以及构建适应大规模智能体输出的持续集成系统的重要性。
  • 递归自我改进新范式：从核心智能到 Harness 支撑系统的系统化演进 Best Partners TV
    本文基于 OpenAI 前应用研究主管翁荔（Lilian Weng）的最新研究，系统梳理了 AI 递归自我改进（RSI）的演进路径。文章指出，短期内 AI 的自我改进并非依赖模型直接改写自身参数权重，而是通过优化包裹在模型外层的非参数支撑系统——Harness 工程。本文深入剖析了 Harness 的三大设计模式、元上下文工程、算法化工作流以及进化搜索在系统优化中的应用，并探讨了通往终极递归自我改进的瓶颈与挑战。
  • KV cache 命中率：Agent 推理的第一成本杠杆 yage.ai
    文章深入剖析了大型语言模型（LLM）推理过程中，Prefill 阶段对计算成本和延迟的巨大影响。核心观点指出，KV cache 的命中率是决定推理成本的关键杠杆。通过分析 ReAct agent 工作负载，研究表明优化 KV cache 命中率可以显著降低 GPU 账单，并大幅提升推理效率。文章提出了从压缩层、路由层到 API 层缓存等三层工程实践，以及 'context engineering' 作为新的学科，来系统性地管理输入成本与质量的平衡。
  • Meta 的 73 万亿 token 账单，和一个管理者早就会解的问题 yage.ai
    文章探讨了当前AI应用中Token消耗带来的成本危机，指出解决之道不在于技术手段本身，而在于将AI的资源管理和分配模式类比为传统的人才管理。核心思想是建立分层用工、上下文工程和Prompt缓存等策略，通过按产出评估而非活动量来优化资源配置，实现AI资源的有效治理。
  • Devin 的 80% 拐点：后台代理、7倍 PR 增长与手动编码时代的终结 Latent Space
    Cognition 联合创始人 Walden Yan 与 Open Inspect 创始人 Cole Murray 深度探讨了 AI 智能体（Agent）的演进。核心讨论围绕 2025 年智能体能力的阶跃——从 IDE 辅助转向完全自主的后台 PR 生成。Devin 的代码贡献率已达 80%，标志着软件工程进入了‘脑机分离’的云端架构时代。双方还剖析了智能体基础设施、内存检索难题以及多代理系统的未来趋势。
  • 上下文即代码：构建上下文开发生命周期 (CDLC) AI Engineer
    Patrick Debois 提出了“上下文即代码”的核心理念，主张参照 DevOps 模式建立“上下文开发生命周期” (CDLC)。他详细阐述了上下文的生成、测试（Evals）、分发、观察和安全性，强调在 AI 编程时代，优化上下文（燃料）比关注模型（引擎）更为关键，并提倡从个人创作转向团队协作的工程化模式。
  • Manus 和 Cursor 的认知领先：技术路线与结果验证 yage.ai
    文章分析 Manus 和 Cursor 的技术认知优势，驳斥“套壳”论。Manus 凭借 Agent 架构与用户生成软件模式领先；Cursor 则通过自研模型与 Harness Engineering 在编程领域建立壁垒。两者将认知优势转化为成果，获市场高度认可，代表行业第一梯队。
  • 构建 Claude Code 的经验：我们如何使用 Skills | 宝玉的分享 baoyu.io
    本文分享了 Anthropic 工程师关于构建和使用 Claude Code Skills 的实战经验。文章介绍了 Skills 的不同类型（如库参考、产品验证、数据获取、业务流程自动化等），并提供了编写技巧，如避免陈词滥调、记录踩坑点、利用文件系统、设计初始设置、优化 description 字段、以及存储脚本和数据。目标是帮助开发者更有效地利用 Skills 加速开发流程。
  • AI Agent 核心技術：Context Engineering 的深度解構與演進 Hung-yi Lee
    本課程系統化探討了 AI Agent 的核心技術——上下文工程（Context Engineering）。內容涵蓋了上下文壓縮、記憶管理（硬碟與 Prompt 的分離）、Context Collapse 規避，以及新興的 Agentic Context Engineering，揭示了如何透過自主管理上下文來突破大模型輸入限制，實現複雜任務的長效處理。
  • AI Agent 運作原理深度解析：以 OpenClaw 為例 Hung-yi Lee
    本文以開源專案 OpenClaw 為例，深度解析 AI Agent 的運作原理與核心機制。內容涵蓋 AI Agent 如何透過 System Prompt、工具調用（如 shell command）、記憶管理（Memory）及技能（Skill）系統，將大型語言模型轉化為自主運行的個人助理。文中詳述 AI Agent 的子代理（Subagent）模式、心跳機制、Cron Job 排程、以及 Context Engineering 等進階技術，同時探討了潛在的風險與安全防禦策略，強調了理解其內部原理對安全應用的重要性。
  • 超越 RAG：Super Memory 创始人谈现代 AI 记忆架构与 OpenClaude 的局限 Latent Space
    Super Memory 创始人 Dhravya Shah 深入解析了 AI 记忆系统的演进。他指出 OpenClaude 等工具依赖静态 Markdown 文件和工具调用的局限性，并介绍了如何通过知识图谱、时间推理和用户画像构建“挂钩式”上下文基础设施，同时分享了在 Cloudflare 上以极低成本运行大规模系统的工程实践。
  • 在煮担担面中聊透 Context Engineering：HumanLayer 创始人 Dex Horthy 访谈录 Latent Space
    HumanLayer 创始人 Dex Horthy 在《In-Context Cooking》节目中，边下厨边分享了其在 AI 上下文工程（Context Engineering）领域的深度见解。他探讨了模型能力的边界、‘愚蠢区’（Dumb Zone）的规避、AI 工程师的直觉培养，以及软件工程师角色如何从‘编写代码’向‘促成代码生成’转型的趋势。
  • Box 首席执行官 Aaron Levie：为什么每个 AI Agent 都要有一个 'Box' Latent Space
    Box 首席执行官 Aaron Levie 与 Latent Space 探讨了 AI Agent 在企业级落地面临的挑战。他指出，Agent 并非万能药，企业需要通过“上下文工程”重新设计工作流，解决身份、权限和数据治理等核心基础设施问题。他强调，每个 Agent 都需要一个受控的存储空间（Box）来处理复杂的现实数据，而 Agent 时代的到来将使技术性、高能动性的人才更加稀缺。
  • AI的幽灵与锯齿智能：Karpathy深度解读2025年AI革命 北美王路飞
    Karpathy报告解析AI真相：非硅基生命，而是‘幽灵’。探讨‘锯齿状智能’，训练范式革新（RLVR/GRPO），‘思考时间’，以及Cursor、Claude Code引领的本地化、情境化AI新时代。揭示‘VIB coding’等应用带来的生产力飞跃与潜在风险。
  • 季超谈Minus被Meta收购：从早期创业到AI Agent的奇幻漂流 張小珺 Xiaojùn
    本期访谈嘉宾**季超**，**Minus**联合创始人兼首席科学家，在**Minus**被**Meta**收购前夕，回顾了他从高中时期**App Store**上的软件出海创业，到大学辍学投身**自然语言处理**领域，再到创立**Minus**的独特经历。他分享了对AI时代创业的深刻洞察，包括对垂直整合的规避、产品驱动的理念、**通用Agent**的价值、数据飞轮的构建，以及对AI行业未来发展趋势的看法。季超强调了团队身心健康和尊重常识的重要性，并坦诚回应了**Minus**邀请码机制和市场质疑。
  • AI编码代理：如何在复杂代码库中解决难题并避免“笨拙区” AI Engineer
    本演讲深入探讨了在复杂和遗留代码库（即“棕地代码库”）中使用AI编码代理所面临的挑战。主讲人Dex Horthy分享了如何通过“上下文工程”和“有意压缩”来优化AI模型的性能，避免因上下文窗口过大导致的“笨拙区”。他提出了“研究-计划-实施”的工作流程，强调了人类在循环中的关键作用，以及如何通过“心智对齐”来提升团队协作效率。演讲还讨论了AI编码代理的未来发展趋势，以及企业在适应AI驱动的软件开发生命周期中面临的文化挑战。
  • 利用图技术连接点滴：上下文工程、检索模式与代理记忆 AI Engineer
    本次峰会演讲探讨了如何通过图技术解决AI应用中的上下文工程问题，以提升检索模式和代理记忆能力。主讲人Stephen Chin介绍了上下文工程的演变，从简单的提示工程到动态、广阔的上下文输入，强调了AI记忆（短期与长期）的重要性。文章详细阐述了知识图谱作为结构化信息表示的优势，以及如何结合大型语言模型（LLM）实现强大的图RAG（检索增强生成）和可解释AI。通过两个Neo4j相关演示，展示了图技术在漏洞管理和多阶段查询中的实际应用，最终旨在赋能开发者成为信息架构师，更好地控制AI输出。
  • Backlog.md：AI 智能体任务管理的终端看板工具 AI Engineer
    您是否曾遇到人工智能智能体（AI Agent）在执行任务时偏离方向或耗尽上下文窗口的问题？Backlog.md 是一款开源的终端看板工具，旨在解决这一挑战。它通过将大型功能分解为更小的 Markdown 任务，并提供清晰的描述、验收标准和实施计划，帮助人类和 AI 智能体高效协作。Backlog.md 支持 AI 智能体通过多协议通信（MCP）或命令行界面（CLI）进行交互，确保任务范围明确、可回滚，并提供多阶段审查流程，从而实现高质量的代码生成，其中 99% 的代码由 AI 智能体完成。
  • Meta-AC：超越单维度优化的AI智能体自适应框架 AI Engineer
    本文介绍了Meta-Adaptive Context Engineering (Meta-AC)，一个旨在通过协调多种适应策略来优化AI智能体的新框架。它解决了现有Agentic Context Engineering (AC)框架的局限性，如对反射器的过度依赖、反馈脆性、任务复杂性盲区以及仅关注上下文维度的问题。Meta-AC通过任务画像、元控制器、策略执行和反馈聚合层，动态分配上下文、计算、验证、记忆和参数更新等策略，从而在智能体基准测试中实现显著性能提升和计算成本降低，展现出更强的鲁棒性和泛化能力。
  • 上下文工程 (Context Engineering)：AI Agent 时代的关键技术 Hung-yi Lee
    本文深入探讨了“上下文工程” (Context Engineering) 的核心概念，阐述了其与“提示工程” (Prompt Engineering) 的异同。文章详细分析了构成语言模型上下文的各项要素，包括用户提示、系统提示、对话历史、外部知识（RAG）和工具使用，并解释了为何在 AI Agent 时代管理上下文至关重要。最后，介绍了选择、压缩和多智能体系统等关键的上下文工程技术，以避免“上下文过载”问题。
  • 超越 Vibe Coding：Faire 如何利用 AI 工具链革新数据分析流程 How I AI
    Faire 的数据团队成员 Tim 和 Alexa 详细展示了他们如何超越“Vibe Coding”，进入“Vibe Analysis”的新境界。本期节目深入探讨了他们如何利用 Cursor、企业级 AI 搜索、自定义 AI 代理等工具，将数据分析工作流提升到全新水平。内容涵盖从调查业务指标下降、进行端到端的漏斗分析，到自动化 A/B 测试报告和高效处理用户调研的全过程，为产品经理、数据分析师和工程师提供了极具实践价值的 AI 应用案例。
  • ACE框架：大语言模型通过上下文实现自我提升的智能体工程 Best Partners TV
    本文深入解读了斯坦福大学等机构联合提出的ACE（Agentic Context Engineering）框架。该框架旨在解决大语言模型在上下文适配中的“简洁性偏差”和“上下文坍缩”两大难题，通过生成器、反思器和整理器三大核心组件，使模型无需更新权重即可通过动态演进的上下文实现自我提升。ACE在智能体任务和金融推理任务中展现出卓越性能，显著降低了部署成本，并为AI系统的在线学习和持续学习提供了新范式。
  • 人工智能开发的“炼金术”到“工程学”：Chroma与上下文工程的深刻洞察 Best Partners TV
    Chroma创始人杰夫·哈伯剖析AI开发，强调从“炼金术”到“工程学”的转变。他指出“上下文腐烂”问题，倡导“上下文工程”，并提出两阶段检索和生成式基准测试等策略，以构建高质量AI应用。
  • Jeff on Building Chroma - From Open-Source Vector DB to Context Engineering Latent Space
    Chroma founder Jeff discusses the journey of building an open-source vector database, the importance of developer experience, and the emerging discipline of context engineering to make AI applications more like engineering and less like alchemy.
  • 从Context Engineering 到无限制创作,Vibe Coding的社区0725
    讨论了如何利用 Gemini CLI 和 Claude Code 等 AI 工具，通过 Context Engineering 的思维模式，打破传统工作限制，实现自动化和高效创作，强调了为 AI 工具付费和提出“非分”要求的重要性。