Communitygithub.com

Context Engineering

Überwacht die Kontextnutzung, optimiert Tokenverbrauch, behebt Kontextfehler und unterstützt beim Debuggen von KI-Agenten-Architekturen und Speichersystemen.

Was ist Context Engineering?

Diese Fähigkeit, „Context Engineering“, befähigt Entwickler und KI-Agenten, die Qualität der LLM-Verarbeitung zu maximieren und gleichzeitig den Tokenverbrauch zu minimieren. Sie ist für Plattformen wie Claude Code, Cursor und Codex konzipiert. Der Kernansatz basiert auf fünf Prinzipien: Kontextqualität vor Quantität, begrenzte Aufmerksamkeit (U-förmige Kurve), progressive Informationsbereitstellung, Isolation zur Vermeidung von Leistungsabfall und Messung vor Optimierung. Die Fähigkeit bietet eine detaillierte Referenztabelle zu Themen wie Kontextgrundlagen, Degradationsdiagnose, Optimierung, Kompression, Speichersysteme, Multi-Agent-Koordination, Evaluierung, Tool-Design und Laufzeitüberwachung. Wichtige Metriken umfassen Token-Auslastung (Warnung bei 70 %, Optimierung bei 80 %), Token-Varianz (erklärt 80 % der Leistungsunterschiede) und Komprimierungsziele (50-70 % Reduzierung bei <5 % Qualitätsverlust). Die Fähigkeit implementiert eine „Vier-Buckets-Strategie“: Schreiben (externer Kontext), Selektieren (relevanter Kontext), Komprimieren (Tokeneinsparung) und Isolieren (Aufteilung auf Sub-Agenten). Zudem warnt sie vor Anti-Patterns wie übermäßigem Kontext oder fehlenden Komprimierungsauslösern. Als praktische Anwendung wird die Laufzeitüberwachung automatisch über einen PostToolUse-Hook mit Auslastungsdaten (Nutzungslimits, Kontextfenster) injiziert, wobei Schwellenwerte bei 70 % (Warnung) und 90 % (kritisch) definiert sind. Begleitende Skripte (z. B. context_analyzer.py) unterstützen bei der Analyse der Kontextgesundheit und der Bewertung der Komprimierungsqualität.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/majiayu000/claude-skill-registry/tree/HEAD/skills/context-management/context-engineering-hoanghd218-landing-page-ai-kien

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht Context Engineering?

Context Engineering kuratiert den kleinstmöglichen Satz an hochsignifikanten Tokens für LLM-Aufgaben. Das Ziel: Die Reasoning-Qualität maximieren und gleichzeitig den Tokenverbrauch minimieren.

Wann aktivieren

  • Entwerfen/Debuggen von Agentensystemen
  • Kontextlimits schränken die Leistung ein
  • Optimierung von Kosten/Latenz
  • Aufbau von Multi-Agent-Koordination
  • Implementierung von Speichersystemen
  • Bewertung der Agentenleistung
  • Entwicklung von LLM-gestützten Pipelines

Kernprinzipien

  1. Kontextqualität > Quantität – Hochsignifikante Tokens schlagen vollständige Inhalte
  2. Aufmerksamkeit ist begrenzt – U-förmige Kurve begünstigt Anfangs-/Endpositionen
  3. Progressive Offenlegung – Informationen just-in-time laden
  4. Isolation verhindert Leistungsabfall – Arbeit auf Sub-Agenten aufteilen
  5. Vor der Optimierung messen – Die Baseline kennen

WICHTIG:

  • Grammatik zugunsten von Prägnanz opfern.
  • Token-Effizienz bei gleichzeitig hoher Qualität sicherstellen.
  • Diese Regeln an Sub-Agenten weitergeben.

Kurzreferenz

ThemaWann verwendenReferenz
GrundlagenKontextanatomie, Aufmerksamkeitsmechanismen verstehencontext-fundamentals.md
DegradationFehlerdiagnose, Lost-in-the-Middle, Vergiftungcontext-degradation.md
OptimierungKomprimierung, Maskierung, Caching, Partitionierungcontext-optimization.md
KompressionLange Sitzungen, Zusammenfassungsstrategiencontext-compression.md
SpeicherSitzungsübergreifende Persistenz, Wissensgraphenmemory-systems.md
Multi-AgentKoordinationsmuster, Kontextisolationmulti-agent-patterns.md
EvaluierungTesten von Agenten, LLM-as-Judge, Metrikenevaluation.md
Tool-DesignTool-Konsolidierung, Beschreibungsentwicklungtool-design.md
PipelinesProjektentwicklung, Batch-Verarbeitungproject-development.md
LaufzeitbewusstseinNutzungslimits, Kontextfensterüberwachungruntime-awareness.md

Wichtige Metriken

  • Token-Auslastung: Warnung bei 70 %, Optimierung bei 80 % auslösen
  • Token-Varianz: Erklärt 80 % der Leistungsunterschiede von Agenten
  • Multi-Agent-Kosten: ~15-fache Basislinie eines einzelnen Agenten
  • Komprimierungsziel: 50-70 % Reduzierung, <5 % Qualitätsverlust
  • Cache-Trefferziel: 70 %+ für stabile Arbeitslasten

Vier-Bucket-Strategie

  1. Schreiben: Kontext extern speichern (Notizblöcke, Dateien)
  2. Selektieren: Nur relevanten Kontext abrufen (Retrieval, Filterung)
  3. Komprimieren: Token reduzieren bei gleichzeitiger Informationserhaltung (Zusammenfassung)
  4. Isolieren: Auf Sub-Agenten aufteilen (Partitionierung)

Anti-Patterns

  • Erschöpfender Kontext statt kuratierter Kontext
  • Kritische Informationen in mittleren Positionen
  • Keine Komprimierungsauslöser vor Limitüberschreitung
  • Einzelner Agent für parallelisierbare Aufgaben
  • Werkzeuge ohne klare Beschreibungen

Richtlinien

  1. Kritische Informationen am Anfang/Ende des Kontexts platzieren
  2. Komprimierung bei 70-80 % Auslastung implementieren
  3. Sub-Agenten zur Kontextisolation verwenden, nicht für Rollenspiele
  4. Werkzeuge mit dem 4-Fragen-Framework entwerfen (was, wann, Eingaben, Rückgaben)
  5. Nach Tokens pro Aufgabe optimieren, nicht nach Tokens pro Anfrage
  6. Mit probenbasierter Evaluierung validieren
  7. KV-Cache-Trefferquoten in der Produktion überwachen
  8. Minimal beginnen, Komplexität nur dann hinzufügen, wenn sie nachweislich notwendig ist

Laufzeitbewusstsein

Das System injiziert automatisch Nutzungsbewusstsein über den PostToolUse-Hook:

<usage-awareness>
Claude Usage Limits: 5h=45%, 7d=32%
Context Window Usage: 67%
</usage-awareness>

Schwellenwerte:

  • 70 %: WARNUNG – Optimierung/Kompression erwägen
  • 90 %: KRITISCH – sofortiges Handeln erforderlich

Datenquellen:

  • Nutzungslimits: Anthropic OAuth API (https://api.anthropic.com/api/oauth/usage)
  • Kontextfenster: Statusleisten-Temp-Datei (/tmp/ck-context-{session_id}.json)

Skripte

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

majiayu000/claude-skill-registry

Builds, edit or validate Agent Skill through conversational discovery. Use when the user requests to "Create an Agent", "Optimize an Agent" or "Edit an Agent".

majiayu000/claude-skill-registry

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry

Analyzes current state and user query to answer BMad questions or recommend the next workflow or agent. Use when user says what should I do next, what do I do now, or asks a question about BMad

majiayu000/claude-skill-registry

Build AI agents with Google ADK Python (Agent Development Kit). Use for multi-agent systems, workflow agents (sequential/parallel/loop), Vertex AI deployment, tool integration, human-in-the-loop.

majiayu000/claude-skill-registry

Build AI agents with Google ADK Python (Agent Development Kit). Use for multi-agent systems, workflow agents (sequential/parallel/loop), Vertex AI deployment, tool integration, human-in-the-loop.

majiayu000/claude-skill-registry

Portfolio allocation and rebalancing optimizer. Manages asset allocation across stocks/cash/bonds, performs periodic rebalancing, and ensures diversification according to market regime and risk tolerance.

majiayu000/claude-skill-registry

Create a hilarious and ultra-realistic video of an anthropomorphic animal acting like a human vlogger in a real-world setting.

majiayu000/claude-skill-registry

Speech-to-text transcription and translation via OpenAI Audio API -- models, response formats, timestamps, prompting, streaming, chunking, and diarization

majiayu000/claude-skill-registry

BlockRun works with Claude Code and Google Antigravity.

majiayu000/claude-skill-registry

This skill should be used when the user asks about libraries, frameworks, API references, or needs code examples. Activates for setup questions, code generation involving libraries, or mentions of specific frameworks like React, Vue, Next.js, Prisma, Supabase, etc.

majiayu000/claude-skill-registry

小省导购员数字人带货版即梦视频提示词生成系统,基于四大智能体协同(提示词生成师、质量管控师、知识库运维师、跨环节适配师),按照"主体+运动+场景+(镜头语言+光影+氛围)"公式输出中英文双版提示词,适配5s短视频。确保人物一致性、视觉连贯性、情绪连贯性,支持知识库智能复用和跨工具适配(Suno音乐、AI绘画),为数字人带货视频提供高质量提示词生成服务。

majiayu000/claude-skill-registry

Upload and manage files using Google Gemini File API via scripts/. Use for uploading images, audio, video, PDFs, and other files for use with Gemini models. Supports file upload, status checking, and file management. Triggers on "upload file", "file API", "upload image", "upload PDF", "upload video", "file management".

majiayu000/claude-skill-registry

CRITICAL: Use for MolyKit AI chat toolkit. Triggers on: BotClient, OpenAI, SSE streaming, AI chat, molykit, PlatformSend, spawn(), ThreadToken, cross-platform async, Chat widget, Messages, PromptInput, Avatar, LLM

majiayu000/claude-skill-registry

AI and machine learning workflow covering LLM application development, RAG implementation, agent architecture, ML pipelines, and AI-powered features.

majiayu000/claude-skill-registry

Analyze images/audio/video with Gemini API (better vision than Claude). Generate images (Imagen 4), videos (Veo 3). Use for vision analysis, transcription, OCR, design extraction, multimodal AI.

majiayu000/claude-skill-registry

Analyze images/audio/video with Gemini API (better vision than Claude). Generate images (Imagen 4), videos (Veo 3). Use for vision analysis, transcription, OCR, design extraction, multimodal AI.

majiayu000/claude-skill-registry

Skill for discovering and researching autonomous AI agents, tools, and ecosystems using the AgentFolio directory.

Verwandte Skills