把上下文按 7 个格子摆好目标 · 约束 · 背景 · 材料 · 术语 · 输出 · 陷阱→ token 预算：在塞满前主动管理越聊越「赶」？认识长度退化→ Agent 上下文压缩术四步压缩 60~95% 冗余→ 上下文隔离：多任务并行不串味每个任务一套独立上下文，互不污染→ 上下文切换与过期换会话不失忆 · 旧信息会退休→ 上下文不是越摘越短，是越养越准上下文是养出来的，不是压出来的→ 上下文一长就变笨，到底该砍到多少？长度与准确率不是线性关系→ 突破 LLM 记忆限制并行迭代记忆架构→ 每个 AI 都要重新摸一遍你的项目？写一份 AGENTS.md一份给 AI 看的项目说明→ 一份文件喂饱所有 AI，上下文就爆了说明写厚了，反而撑爆上下文→ 它记不住，往往是你没写下来记忆问题的根在文档→ 上下文可以改，但有几行不许删约束行是改写的禁区→ 文档清不清楚？让一个「没背景」的 AI 照着走一遍能不能被 AI 执行，是最硬的检验→ 历史数据治理：接手多年混乱存量存量理不清，AI 也帮不上忙→ 上下文爆掉，压缩不是第一步先拦工具输出，再谈压缩→ 为什么越勤快地压缩，账单反而越贵？压缩会破坏前缀缓存→ 压缩之后，它把做完的又做了一遍压缩吃掉的是进度→ 压完之后，你还取得回原文吗？压缩必须可回溯→ 文档里找答案，别把整本塞进上下文先定位，再读→ 长文档问答，一定要先建向量库吗？先分级，再决定要不要向量→ 索引建好了，为什么一点没快？收益取决于命中率与粒度→ 工具返回的那一坨，别让它住进上下文输出先进沙箱，只放结果→ 同一件事做第二遍，别再让它重读一遍把动作固化成脚本→ 工具接得越多，它怎么反而挑不对了？选择准确率有断崖→ 工具装得越多，它反而越不会用？工具说明本身占上下文→ 技能塞满提示词，它反而找不着该用哪个技能要分层加载→ 技能该自动跑，还是等你喊一句？何时自动、何时手动，先定秩序→ 工具送到了，说明书没送到接上了不等于会用→ 给它成熟工具，还要它交证据工具调用必须可核验→ 多 Agent 不是升级：先看这七个编排模式该不该用先分清流程问题与提示词问题→ 能通信，不等于能协作A2A 与 MCP 不是一回事→ 一支子代理队伍，不该人人用全力按步调低推理强度更省→ 让 agent 自己跑实验，先过四道关自进化需要闸门→ agent 的笔记，什么时候才配进团队库？晋升要有门槛→ 同一句话，为什么有时它读得到、有时读不到？关键要求要放在强位置→ 同一件事跑两遍，它两次看的地方不一样给结果加确定性锚点→ 回答空白，未必是超时推理预算被截断→ 让 AI 改自己的外壳，怎么防它作弊？自改外壳要留审计位→ 没人碰你的机器，它也能替你改一个动作读进来的内容会指使它→ MCP 换了协议，你的 server 哪天连不上？无状态改写，迁移有期限→ 你的上下文账单，在写原型那天就定了结构决定长期成本→