Token 预算作为架构约束：在硬上限下设计可靠的 Agent
固定 token 预算迫使 agent 采用与无限预算原型根本不同的设计。学习预算分配策略、动态重新分配模式和受限优先架构，让生产环境的 agent 在硬上限下保持可靠。
上下文窗口即 IDE：AI 编程智能体成败的关键在于它能看到什么
METR 研究发现，有经验的开发者在使用 AI 编程工具时反而慢了 19%——瓶颈在于上下文检索，而非模型能力。检索质量、项目记忆文件和即时上下文模式决定了 AI 编程智能体究竟是提升还是拖累生产力。
上下文填充反模式：为什么更多的上下文反而会让 LLM 变差
将完整文档、原始工具输出和长聊天历史直接塞进 LLM 上下文窗口是一个可靠性陷阱。本文将介绍如何检测上下文何时在损害你的系统 — 以及如何通过具备预算意识的策展模式来修复它。
让 Manus 在生产环境中稳定运行的六项上下文工程技术
在重建了四次 Agent 框架并处理了数百万个任务后，Manus 团队总结了在长程 AI Agent 中管理上下文窗口的六项具体技术——以及为什么 KV 缓存命中率是大多数团队忽视的最重要指标。
动作空间问题：为什么给 AI Agent 更多工具反而会让表现变差
为 AI Agent 添加更多工具会因为注意力稀释、选择噪声和上下文混淆而降低其性能。了解层级化动作空间和 Agent 即工具（Agent-as-tool）模式如何解决这一问题。
真正可扩展的智能体上下文工程：四大策略
长期运行的智能体性能会因为上下文的无节制积累而下降。通过 写入、选择、压缩 和 隔离 这四大策略，你可以让智能体在数百个步骤中依然保持敏锐。
上下文工程：生产级智能体的记忆、压缩与工具清理
如何通过压缩、工具结果清理和外部记忆防止生产级 AI 智能体中的上下文漂移 —— 包含 Token 预算分配策略、失败模式以及测量模式。
CLAUDE.md 和 AGENTS.md：让 AI 编程智能体真正遵循你规则的配置层
一份关于 CLAUDE.md 和 AGENTS.md 的实用指南——这些指令文件为 AI 编程智能体提供持久的项目上下文。为什么写好这些文件比选择模型更重要。
AI 智能体的有效上下文工程
主动管理 LLM 上下文窗口是生产级 AI 智能体面临的首要工程挑战。本文深入分析了四种策略 —— 编写、选择、压缩、隔离 —— 它们能让智能体在执行长任务时保持连贯性。
基座工程（Harness Engineering）：决定你的 AI Agent 能否真正工作的关键学科
大多数部署 AI 编程 Agent 的团队都专注于模型选择，却忽视了基座（Harness）—— 即决定现实世界可靠性的脚手架、反馈循环和不变性。以下是区分 “能上线的 Agent” 与 “不可控的 Agent” 的关键所在。
上下文工程：比提示词工程更重要的学科
为什么生产环境中 LLM 系统的真实瓶颈是上下文架构，而不是提示词措辞 —— 以及如何将上下文作为一级系统关注点进行设计。
上下文工程：生产级 AI 智能体的隐形架构
上下文腐化在大规模应用中会削弱所有主流 LLM 的表现。了解如何将上下文作为一级基础设施进行管理——包括 KV 缓存优化、可逆压缩、错误追踪保留，以及在首个生产事故发生前揭示性能下降的关键指标。