参考资料

以下是本书方法背后的一手来源。想深挖某一章的读者可以按图索骥。

• Effective context engineering for AI agents（Anthropic Engineering）：https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents —— 注意力预算、系统提示的海拔、工具设计原则，以及长任务的三种技术。
• Context Engineering for Agents（LangChain）：https://www.langchain.com/blog/context-engineering-for-agents —— 写／选／压／隔四动作框架，以及四种上下文失败模式的命名。
• Context Rot: How Increasing Input Tokens Impacts LLM Performance（Chroma Research）：https://research.trychroma.com/context-rot —— 覆盖 18 个前沿模型的受控实验，是「越长越差」这一判断的实证基础。
• Context Engineering for AI Agents: Lessons from Building Manus：https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus —— 生产级 agent 的一手复盘，KV-cache、复述、保留错误这些做法都出自这里。
• Claude Code 官方文档 · 子代理（Subagents）：https://code.claude.com/docs/en/sub-agents —— 子代理的配置字段、上下文隔离边界与并发上限。
• Equipping agents for the real world with Agent Skills（Anthropic Engineering）：https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills —— 渐进式披露的三层结构。
• Model Context Protocol 官方文档：https://modelcontextprotocol.io —— MCP 的协议定义与生态。
• 站内续篇 ·《给 AI 写规矩》系列：子代理与技能的完整动手实现。
• 站内续篇 ·《MCP、Skills、Subagent 到底该用哪个》：一条 30 秒的机制选型路径。

需要提醒的是：其中的具体数值——成本比值、token 倍数、触发阈值——都来自特定系统在特定时间点的测量。用来理解量级可以，直接当常数用不行。你自己的仓库该测一遍。

这本书讲的是判断：什么该进窗口、什么时候进、进来多大、进哪个窗口。它刻意没有深入具体机制的实现细节，因为那些细节随版本变，而判断不变。要补实现，就往上面那两个站内系列走。

最后留一句不算结论的话。上下文工程听起来像是在给模型做减法，实际上它做的是把你脑子里的东西搬到一个模型每一轮都会看到的位置。你越是把判断标准、已确认的事实、排除过的方案写下来，agent 就越像一个知道你们项目在干什么的同事，而不是一个每次都从零开始猜的陌生人。这件事没有一劳永逸的配置，只有持续的盘点和取舍。从你手上那个最难缠的仓库开始。

工具类内容更新很快。本书涉及的字段名、命令名和默认阈值都可能随版本演进——动手前用当前官方文档核对一遍，是最省事的习惯。方法本身比字段名活得久。