Agent Skills for Context Engineering：从零构建高效上下文处理能力

1次阅读

共计 1913 个字符，预计需要花费 5 分钟才能阅读完成。

上周调试电商客服机器人时遇到典型场景：用户先问 ” 这件红色 T 恤有货吗？”，得到肯定答复后继续问 ” 那 M 码呢？”，结果系统竟要求重新确认商品类型——这就是典型的上下文丢失（Context Loss）。这种反人类的交互体验背后，是缺乏有效的上下文工程（Context Engineering）设计。

有限状态机（Finite State Machine）
适用场景：预定流程的简单对话（如电话菜单）
优势：确定性状态跳转，调试直观
劣势：状态爆炸问题（N 个话题需要 N²个转移规则）
RNN/LSTM 时序模型
适用场景：短时依赖的连续对话（3- 5 轮）
优势：自动学习上下文关联
劣势：长距离依赖衰减（超过 10 轮准确率骤降）
Transformer 架构
适用场景：多话题交错的长对话
优势：Attention 机制直接建模任意位置依赖
劣势：计算复杂度 O(n²) 带来的性能挑战

from collections import deque

class ContextWindow:
    """
    实现滑动窗口的上下文管理器
    时间复杂度：O(1) 入队 / 出队操作
    空间复杂度：O(n) n 为窗口大小
    """
    def __init__(self, max_size=5):
        self.window = deque(maxlen=max_size)  # 固定长度双端队列

    def add_utterance(self, role: str, content: str):
        """添加对话语句并自动淘汰旧内容"""
        self.window.append({"role": role, "content": content})

    def get_context(self) -> list:
        """获取当前完整上下文"""
        return list(self.window)

# 使用示例
ctx = ContextWindow(3)  # 保留最近 3 轮对话
ctx.add_utterance("user", "红色 T 恤有货吗？")
ctx.add_utterance("bot", "查询中...")
ctx.add_utterance("bot", "有现货")
print(ctx.get_context())  # 完整上下文

@startuml
state "初始状态" as init
state "商品查询" as query
state "尺码确认" as size
state "库存检查" as stock

init --> query : 用户提及商品
query --> size : 用户询问具体尺码
size --> stock : 确认尺码有效性
stock --> query : 返回库存状态
@enduml

LRU 缓存淘汰 ：最近最少使用的上下文优先移除
实体压缩 ：将 ” 用户 12345″ 压缩为 ”UID:12345″
二进制序列化 ：使用 Protocol Buffers 替代 JSON

按话题切分 ：检测对话主题变化时自动分块
时间窗口切分 ：每 30 分钟自动创建新上下文块
关键事件标记 ：下单、支付等操作作为分界点

def detect_drift(new_utterance: str, context: list) -> bool:
    """基于余弦相似度检测话题偏移"""
    from sklearn.feature_extraction.text import TfidfVectorizer

    texts = [item['content'] for item in context] + [new_utterance]
    vectors = TfidfVectorizer().fit_transform(texts)
    last_sim = cosine_similarity(vectors[-2], vectors[-1])[0][0]
    return last_sim < 0.3  # 相似度阈值