AI Agent 上下文工程 通过复述操控注意力
AI Agent 上下文工程
前些天发现了一个巨牛的人工智能学习网站，分享一下给大家
目录
- AI Agent 上下文工程
- 一、围绕 KV 缓存进行设计
- 核心原理
- 关键实践
- 反例 vs 正例
- 二、遮蔽，而非移除
- 核心原理
- 三种约束模式
- 反例 vs 正例
- 三、使用文件系统作为上下文
- 核心原理
- 关键思想
- 反例 vs 正例
- 四、通过复述操控注意力
- 核心原理
- Manus 的经典实现
- 反例 vs 正例
- 五、保留错误的内容
- 核心原理
- 反例 vs 正例
- 六、不要被少样本示例所困
- 核心原理
- 反例 vs 正例
Manus 团队基于数百万用户实践总结的 AI Agent 上下文工程六大核心原则，以下是详细解析：
一、围绕 KV 缓存进行设计
核心原理
KV-Cache（键值缓存）命中率是生产级 AI Agent 最重要的单一指标，直接影响延迟和成本。Agent 运行时输入输出 token 比例约为 100:1，利用缓存可将成本降低 10 倍（如 Claude Sonnet：缓存 token $0.3/百万 vs 未缓存 $3/百万）。
关键实践
- 保持提示前缀稳定：避免在系统提示中加入秒级时间戳
- 上下文只追加不修改：确保 JSON 序列化键顺序稳定
- 明确标记缓存断点
反例 vs 正例
❌错误做法：每轮都重新构建完整上下文，导致缓存完全失效
第n轮: [指令+动作1+观察1+动作2+观察2+动作3+观察3] 第n+1轮: [指令+动作2+观察2+动作3+观察3+动作4+观察4] （前缀完全变化）✅ <