Communitygithub.com

Kontext-Engineering

Überwache Nutzungslimits, optimiere Tokennutzung, debugge Kontextfehler und implementiere effiziente Memory-Systeme für LLM-Agenten.

Was ist Kontext-Engineering?

Die Fähigkeit „Kontext-Engineering“ ist eine umfassende Anleitung und ein Werkzeugset für die Optimierung der Kontextnutzung in LLM-basierten Agenten (z. B. Claude Code, Cursor, Codex). Sie hilft Entwicklern dabei, die Token-Effizienz zu maximieren, die Reasoning-Qualität zu erhalten und typische Fallstricke wie das „Lost-in-the-Middle“-Problem zu vermeiden. Die Skill bietet ein Framework aus vier Strategien – Schreiben, Auswählen, Komprimieren und Isolieren – sowie konkrete Metriken und Schwellenwerte (z. B. Warnung bei 70 % Token-Auslastung, Optimierung ab 80 %). Sie enthält Referenzen zu detaillierten Markdown-Dokumenten zu Kontext-Grundlagen, Degradation, Optimierung, Kompression, Memory-Systemen und Multi-Agent-Patterns. Ein integriertes Runtime-Awareness-System überwacht automatisch die Nutzungslimits und den Context-Window-Füllstand und gibt Warmmeldungen aus, bevor kritische Grenzen erreicht werden. Die Fähigkeit unterstützt die Entwicklung von Pipelines, die Evaluierung von Agenten und das Design effizienter Tools. Sie ist plattformunabhängig und kann über Skripte wie den Context Analyzer und Compression Evaluator ergänzt werden.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/majiayu000/claude-skill-registry-data/tree/HEAD/context-management/context-engineering-hoanghd218-landing-page-ai-kien-2

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Kontext-Engineering?

Kontext-Engineering kuratiert die kleinste, signalreiche Token-Menge für LLM-Aufgaben. Das Ziel: Reasoning-Qualität maximieren bei gleichzeitiger Minimierung des Token-Verbrauchs.

Wann aktivieren

  • Entwurf/Debugging von Agent-Systemen
  • Kontextlimits schränken die Leistung ein
  • Kosten/Latenz optimieren
  • Multi-Agent-Koordination aufbauen
  • Memory-Systeme implementieren
  • Agent-Leistung evaluieren
  • LLM-gestützte Pipelines entwickeln

Kernprinzipien

  1. Kontextqualität > Quantität – Signalreiche Tokens schlagen erschöpfenden Inhalt
  2. Aufmerksamkeit ist begrenzt – U-förmige Kurve bevorzugt Anfangs- und Endpositionen
  3. Progressive Offenlegung – Informationen just-in-time laden
  4. Isolation verhindert Degradation – Arbeit auf Sub-Agenten aufteilen
  5. Messen vor Optimieren – Ausgangsbasis kennen

WICHTIG:

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

Kurzreferenz

ThemaWann verwendenReferenz
GrundlagenKontextanatomie, Aufmerksamkeitsmechanik verstehencontext-fundamentals.md
DegradationFehler debuggen, Lost-in-the-Middle, Vergiftungcontext-degradation.md
OptimierungKompaktierung, Maskierung, Caching, Partitionierungcontext-optimization.md
KomprimierungLange Sitzungen, Zusammenfassungsstrategiencontext-compression.md
MemorySitzungsübergreifende Persistenz, Wissensgraphenmemory-systems.md
Multi-AgentKoordinationsmuster, Kontextisolationmulti-agent-patterns.md
EvaluationAgenten testen, LLM-as-Judge, Metrikenevaluation.md
Tool-DesignWerkzeugkonsolidierung, Beschreibungs-Engineeringtool-design.md
PipelinesProjektentwicklung, Batch-Verarbeitungproject-development.md
LaufzeitbewusstseinNutzungslimits, Kontextfenster-Überwachungruntime-awareness.md

Wichtige Metriken

  • Token-Auslastung: Warnung bei 70 %, Optimierung bei 80 % auslösen
  • Token-Varianz: Erklärt 80 % der Leistungsvarianz von Agenten
  • Multi-Agent-Kosten: ~15x Einzel-Agent-Basiskosten
  • Verdichtungsziel: 50–70 % Reduktion, <5 % Qualitätsverlust
  • Cache-Trefferquote: 70 %+ für stabile Workloads

Vier-Bucket-Strategie

  1. Schreiben: Kontext extern speichern (Notizzettel, Dateien)
  2. Auswählen: Nur relevanten Kontext ziehen (Retrieval, Filterung)
  3. Komprimieren: Tokens reduzieren, Informationen bewahren (Zusammenfassung)
  4. Isolieren: Auf Sub-Agenten aufteilen (Partitionierung)

Anti-Patterns

  • Erschöpfender Kontext statt kuratierter Kontext
  • Kritische Informationen in Mittelpositionen
  • Keine Verdichtungsauslöser vor Limits
  • Einzel-Agent für parallelisierbare Aufgaben
  • Werkzeuge ohne klare Beschreibungen

Richtlinien

  1. Kritische Informationen am Anfang/Ende des Kontexts platzieren
  2. Verdichtung bei 70–80 % Auslastung implementieren
  3. Sub-Agenten für Kontextisolation einsetzen, nicht für Rollenspiele
  4. Werkzeuge mit dem 4-Fragen-Framework gestalten (was, wann, Eingaben, Rückgaben)
  5. Für Tokens pro Aufgabe optimieren, nicht für Tokens pro Anfrage
  6. Mit sondenbasierter Evaluation validieren
  7. KV-Cache-Trefferquoten in der Produktion überwachen
  8. Minimal starten, Komplexität nur bei Bedarf hinzufügen

Laufzeitbewusstsein

Das System injiziert automatisch Nutzungsbewusstsein über den PostToolUse-Hook:

<usage-bewusstsein>
Claude-Nutzungslimits: 5h=45%, 7d=32%
Context-Window-Auslastung: 67%
</usage-bewusstsein>

Schwellenwerte:

  • 70 %: WARNUNG – Optimierung/Verdichtung in Betracht ziehen
  • 90 %: KRITISCH – sofortiges Handeln erforderlich

Datenquellen:

  • Nutzungslimits: Anthropic OAuth API (https://api.anthropic.com/api/oauth/usage)
  • Context-Window: Statusline-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-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

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-data

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-data

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-data

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-data

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-data

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

majiayu000/claude-skill-registry-data

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-data

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-data

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-data

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-data

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-data

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

majiayu000/claude-skill-registry-data

Conduct domain and industry research. Use when the user says "lets create a research report on [domain or industry]

majiayu000/claude-skill-registry-data

Conduct market research on competition and customers. Use when the user says "create a market research report about [business idea]".

majiayu000/claude-skill-registry-data

Conduct technical research on technologies and architecture. Use when the user says "create a technical research report on [topic]".

majiayu000/claude-skill-registry-data

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".

Verwandte Skills