context-engineering

当用户说『AI越来越笨/答非所问/忘了前面的设定』『上下文太长』『token烧太快』『RAG召回不准』，或要设计/优化 agent 的提示、记忆、检索、工具编排时使用。把『上下文窗口里到底该放什么』当成一门工程：审计相关性·冗余·预算·衰减 四维度，给出裁剪/检索/记忆/门禁四步流程与可运行脚本。触发词：上下文工程、context engineering、上下文窗口、上下文污染、上下文衰减、context rot、token预算、RAG召回、记忆编排、agent上下文、长上下文优化。

凡自治之物 · LGD 治理学 · 创造术家族 ｜ 评测协议：skill-quality-gate（外部公开评测门禁文档）

English

When to use

1. The model starts giving off-topic answers or forgetting earlier settings ("context pollution / decay").
2. Designing / optimizing an agent's prompt, memory, RAG retrieval or tool orchestration.
3. Token burn is high; the context window is too long; memory orchestration needs refinement.
4. Trigger words: "context engineering", "long-context optimization", "RAG recall".

Usage

1. Run context_budget.py --calculate to estimate current token budget and remaining window.
2. Set --budget_limit (int) and --model_name for model-specific advice.
3. context_budget.py --audit produces a relevance/redundancy checklist.
4. For doc-style tasks, read the in-file function library for memory-decay and retrieval-recall helpers.

Flow

1. Context audit: scan interaction history; flag low-relevance, stale or duplicate info.
2. Budget accounting: compute current token share and remaining-window risk.
3. Trimming: apply the four-dimension standard (relevance / redundancy / budget / decay); compress memory.
4. Retrieval tuning: adjust RAG recall params and tool order so key data loads first.
5. Gate check: gate new incoming info so new tokens don't overwrite old key settings.
6. Closed loop: re-inject the optimized context into the model; log adjustments.

Evidence & safety

• Evidence: TBD. Version: 1.0.1. Security: no independent scan (TBD).

中文

何时用

1. 当用户反馈模型"答非所问"、"遗忘设定"或遭遇"上下文污染"、"上下文衰减"等质量问题时。
2. 在进行 Agent 设计、优化提示词（Prompt）、记忆管理或 RAG 检索策略的技术调试与评估场景。
3. 监控对话成本，涉及"token 预算烧太快"、"上下文窗口过长"或需要精细化"记忆编排"时的决策节点。
4. 触发关键词包含"context engineering"、"长上下文优化"、"RAG 召回"及具体指标时自动介入。

用法

1. 执行核心计算脚本 context_budget.py，启用 --calculate 模式以输出当前对话的 Token 预算与剩余窗口估算。
2. 配置 --budget_limit 参数（整数）以设定最大可接受上下文长度，配合 --model_name 指定目标模型优化建议。
3. 调用 context_budget.py --audit 生成包含相关性、冗余度评分的详细清单，用于审查历史会话质量。
4. 对于文档型任务，可通过读取 context_budget.py 文件内的函数库获取预定义的"内存衰减"与"检索召回"算法接口。

流程

1. 上下文审计：扫描当前交互历史，识别低相关性、过期或重复信息（使用审计清单生成器）。
2. 预算核算：调用 context_budget.py 计算当前输入占用的 Token 比例及剩余窗口风险。
3. 信息裁剪：依据四维度标准（相关性·冗余·预算·衰减）删除不必要节点，实施记忆压缩。
4. 检索优化：调整 RAG 召回参数与工具编排顺序，确保关键数据被优先加载。
5. 门禁校验：对新进入的信息进行"上下文门控"检查，防止新 Token 覆盖旧的关键设定。
6. 闭环反馈：将优化后的上下文结构重新注入模型，并记录本次调整日志用于下一轮参考。

证据与安全声明

• 证据：TBD（暂无评测/徽章链接；产生后在此更新实际链接）
• 版本：1.0.1
• 安全：未做独立安全扫描（TBD），结论待补；补全前不作推荐背书。