上下文工程决定Agent成败
alex_verem · x · 2026-07-19
这篇论文把 agent 失效的重点从“模型能力”转向“上下文工程”。
作者构建了一个开源 harness，把 system prompt、工具 schema、检索知识、记忆、guardrails 和未受信输入一起纳入评估，并从 7 个维度给上下文打分：角色定义、guardrail 覆盖、指令一致性、工具 schema 质量、grounding、注入防护和 token 效率。每个维度都对应一种具体失败模式，多个评审者独立打分后再汇总，避免单一视角偏差。
他们在 300 次评测、7,500 个 agent turns 上验证了这个方法，使用固定模型（gpt-5.5 和 claude opus 4.8）只改变上下文：差的上下文 agent performance 为 3.15，每次评测有 4.11 个 critical failures；结构化上下文提升到 5.49，critical failures 降到 1.33，相当于 74% 提升、68% 降低。一个反直觉结论是：最弱的上下文往往还最便宜、token 最少，但风险最高。
所属事件:研究称上下文工程是决定 AI Agent 成败的关键(2 条相关)→
「编程与Agent」频道最新
- 生产级 AI Agent 常规评测 95% 稳健，遭定向攻击后跌至 37% — njyx · 2026-10-27
- Grok Bot 分析 AI 评论、Codex 开浏览器批量拉黑，两 agent 接力工作流 — vista8 · 2026-10-27
- huggingface_hub 2.3.0 发布：百万文件列取从分钟级降到 20 秒 — lhoestq · 2026-10-27
- Nous Research 发布 Advanced Delegation 插件，子智能体可按任务选模型 — NousResearch · 2026-10-27
- 不上 X 的牙医邻居玩转 Codex，编程门槛正在消失 — gabrielchua · 2026-10-27
- 斯坦福 PaperFormalizer：把论文自动转成 Lean 验证版本 — StanfordUniversity · 2026-10-27