Anthropic 将 Agent 重心转向上下文工程

根据 @thisdudelikesAI 对 Anthropic 官方 Agent 工程指南的梳理，Anthropic 正把 Agent 开发的重心从传统“提示词工程”转向“上下文工程”。其判断是，在长上下文、复杂工具调用和多步任务里，真正限制效果的往往不是提示词措辞，而是信息如何被保存、筛选、组织和复用，因此这份指南对实际 Agent 系统设计有较强参考价值。

核心做法

指南最核心的建议之一，是不要把所有信息都堆进对话历史，而要给 Agent 一个可持续更新的结构化“笔记本”。按 @thisdudelikesAI 的转述，Anthropic 推荐让 Claude 维护类似 NOTES.md 的持久笔记，在多轮工具调用中记录进展、决策和计划，把关键结论沉淀下来，而不是反复回放原始历史。

另一个重点是“检索优先”而非“全量回忆”。@thisdudelikesAI 提到，Anthropic 研究指出存在“context rot”：上下文越长，模型越难定位真正关键的信息。因此，更有效的做法是持久化保存计划与决策，并在需要时按需检索相关内容，而不是简单依赖超大上下文窗口。

性能与成本优化

这份指南还强调要清理工具调用留下的原始输出。按照 @thisdudelikesAI 的说法，这些结果在进入较深历史后会变成干扰注意力的“死重量”，应通过上下文编辑移除或压缩。Anthropic 在内部 agentic search 评测中，将“记忆”和“上下文编辑”结合后，带来了 39% 的效果提升。

在成本控制上，Anthropic 还建议冻结前缀：把系统提示词和稳定的项目上下文固定在最前面，并在每一轮中保持完全一致，把变化的步骤信息放到后部。@thisdudelikesAI 认为，这样做的关键目的在于提高 prompt caching 命中率，从而减少重复调用成本。

2026-07-16 ~ 2026-07-16 · 5 条相关

一手来源