CommunityCodierung & Entwicklunggithub.com

context-engineering-collection

Eine umfassende Sammlung von Agent Skills für Context Engineering, Harness Engineering, Multi-Agent-Architekturen und produktionsreife Agentensysteme. Verwenden Sie diese beim Erstellen, Optimieren, Evaluieren oder Debuggen von Agentensystemen, die ein effektives Kontextmanagement und zuverlässige Betriebsschleifen erfordern.

Was ist context-engineering-collection?

Diese Sammlung bietet strukturierte Anleitungen für den Bau produktionsreifer KI-Agentensysteme durch effektives Context Engineering. Sie behandelt grundlegende Konzepte wie die Natur des Kontexts, Degradationsmuster (z. B. Lost-in-the-Middle) und Aufmerksamkeitsmechanismen, sowie fortgeschrittene Architekturmuster für Multi-Agent-Koordination, Langzeit-Prompting und Speichersysteme. Die Sammlung ist plattformunabhängig und lässt sich mit Claude Code, Cursor oder jedem anderen Agenten-Framework verwenden, das benutzerdefinierte Anweisungen oder skill-ähnliche Konstrukte unterstützt. Sie integriert operative Exzellenz durch Techniken wie Kontextkompression, Optimierung, selbstverwalteten Kontext, Latent Briefing (KV-Speicherfreigabe) und Evaluierungs-Frameworks. Entwicklungsmethodik und kognitive Architektur (BDI-Mentalzustände) runden das Angebot ab, um von der Projektdurchführung bis zur formalen Modellierung mentaler Zustände eine vollständige Abdeckung zu gewährleisten.

Funktioniert mit✓Claude Code~Codex CLI✓Cursor
npx skills add https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering/tree/main

Installed? Explore more Codierung & Entwicklung skills: steipete/bluebubbles, steipete/eightctl, steipete/blucli · View all 6 →

Original anzeigen→Alle Skills durchsuchen

In Ihrer bevorzugten KI fragen

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

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Dokumentation

Agent Skills für Context Engineering

Diese Sammlung bietet strukturierte Anleitungen für den Bau produktionsreifer KI-Agentensysteme durch effektives Context Engineering.

Wann aktivieren

Aktivieren Sie diese Skills, wenn Sie:

  • Neue Agentensysteme von Grund auf erstellen
  • Die Leistung bestehender Agenten optimieren
  • Kontextbezogene Fehler beheben
  • Multi-Agent-Architekturen entwerfen
  • Tools für Agenten erstellen oder evaluieren
  • Speicher- und Persistenzschichten implementieren
  • Autonome Forschungs- oder Evaluierungs-Harnesses entwerfen

Skill Map

Grundlegendes Context Engineering

Kontextgrundlagen verstehen Kontext ist nicht nur Prompt-Text – es ist der gesamte Zustand, der dem Sprachmodell zur Inferenzzeit zur Verfügung steht, einschließlich Systemanweisungen, Tool-Definitionen, abgerufener Dokumente, Nachrichtenverlauf und Tool-Ausgaben. Effektives Context Engineering bedeutet zu verstehen, welche Informationen für die jeweilige Aufgabe wirklich wichtig sind, und diese Informationen für ein maximales Signal-Rausch-Verhältnis zu kuratieren.

Kontextdegradation erkennen Sprachmodelle zeigen mit wachsendem Kontext vorhersagbare Degradationsmuster: das „Lost-in-the-Middle“-Phänomen, bei dem Informationen in der Mitte des Kontexts weniger Beachtung erhalten; U-förmige Aufmerksamkeitskurven, die Anfang und Ende priorisieren; Kontextvergiftung, wenn sich Fehler anhäufen; und Kontextablenkung, wenn irrelevante Informationen relevante Inhalte überlagern.

Architekturmuster

Multi-Agent-Koordination Produktionsreife Multi-Agent-Systeme konvergieren zu drei dominanten Mustern: Supervisor/Orchestrator-Architekturen mit zentraler Steuerung, Peer-to-Peer-Swarm-Architekturen für flexible Übergaben und hierarchische Strukturen für komplexe Aufgabenzerlegung. Die entscheidende Erkenntnis ist, dass Unter-Agenten hauptsächlich existieren, um Kontext zu isolieren, und nicht, um organisatorische Rollen zu simulieren.

Langzeit-Prompting Langlaufende autonome Agenten und parallele Orchestrierungen stehen oder fallen mit dem Start-Prompt. Pseudo-formale Aufgabenbeschreibungen spezifizieren Erfolgsprädikate, nicht zählende Ergebnisse, Persistenzregeln mit prüfpflichtigen Rückkehrbedingungen, Aufwandsuntergrenzen, Diversitätsrichtlinien für parallele Portfolios und Kontaminationssperren. Sie wenden die Disziplin der formalen Verifikation sprachlich auf Probleme an, die keine maschinell überprüfbare Erfolgsbedingung haben. In orchestrierten Läufen gibt jeder Worker einen Ausgabevertrag mit benannten Prüfungen zurück, und nur nachgewiesene Verstöße blockieren die Rückgabe.

Speichersystem-Design Speicherarchitekturen reichen von einfachen Notizblöcken bis hin zu ausgefeilten temporalen Wissensgraphen. Vector RAG bietet semantischen Abruf, verliert aber Beziehungsinformationen. Wissensgraphen bewahren die Struktur, erfordern aber mehr Entwicklungsaufwand. Das Dateisystem-als-Speicher-Muster ermöglicht das just-in-time Laden von Kontext, ohne die Kontextfenster zu überladen.

Dateisystem-basierter Kontext Das Dateisystem bietet eine einheitliche Schnittstelle zum Speichern, Abrufen und Aktualisieren von praktisch unbegrenztem Kontext. Wichtige Muster sind Notizblöcke für die Auslagerung von Tool-Ausgaben, Planpersistenz für langfristige Aufgaben, die Kommunikation zwischen Unter-Agenten über gemeinsame Dateien und dynamisches Skill-Laden. Agenten verwenden ls, glob, grep und read_file zur gezielten Kontextfindung und übertreffen oft die semantische Suche bei strukturellen Abfragen.

Gehostete Agenten-Infrastruktur Hintergrund-Coding-Agenten laufen in entfernten Sandbox-Umgebungen statt auf lokalen Maschinen. Wichtige Muster sind vorgefertigte Umgebungs-Images, die regelmäßig aktualisiert werden, warme Sandbox-Pools für sofortige Sitzungsstarts, Dateisystem-Snapshots für Sitzungspersistenz und Multiplayer-Unterstützung für kollaborative Agentensitzungen. Kritische Optimierungen umfassen das erlaubte Lesen von Dateien vor Abschluss des Git-Sync (nur Schreibvorgänge werden blockiert), prädiktives Vorwärmen von Sandboxes, wenn Benutzer zu tippen beginnen, und selbst-erzeugende Agenten für die parallele Ausführung von Aufgaben.

Tool-Design-Prinzipien Tools sind Verträge zwischen deterministischen Systemen und nicht-deterministischen Agenten. Effektives Tool-Design folgt dem Konsolidierungsprinzip (bevorzuge einzelne umfassende Tools gegenüber mehreren engen), gibt kontextuelle Informationen in Fehlern zurück, unterstützt Antwortformat-Optionen für Token-Effizienz und verwendet eine klare Namensgebung.

Operative Exzellenz

Kontextkompression Wenn Agentensitzungen den Speicher erschöpfen, wird die Kompression zwingend erforderlich. Das richtige Optimierungsziel ist Tokens-pro-Aufgabe, nicht Tokens-pro-Anfrage. Strukturierte Zusammenfassung mit expliziten Abschnitten für Dateien, Entscheidungen und nächste Schritte bewahrt mehr nützliche Informationen als aggressive Kompression. Die Integrität der Artefaktspur bleibt die schwächste Dimension über alle Kompressionsmethoden hinweg.

Kontextoptimierung Zu den Techniken gehören Kompaktierung (Zusammenfassen von Kontext nahe der Grenze), Beobachtungsmaskierung (Ersetzen von ausführlichen Tool-Ausgaben durch Verweise), Prefix-Caching (Wiederverwendung von KV-Blöcken über Anfragen hinweg) und strategische Kontextpartitionierung (Aufteilen der Arbeit auf Unter-Agenten mit isolierten Kontexten).

Selbstverwalteter Kontext Das Modell, nicht die Umgebung, entscheidet, was in seinem Live-Kontext bleibt: Der editierbare Bereich wird als Datei bereitgestellt, die das Modell mit Code-Tools umschreibt und bei jedem Durchlauf neu analysiert. Die Umgebung wahrt die Invarianten (festgepinntes System- und Aufgabenpräfix, Rollenfaltung, Edit-Gate, Quittungen, deterministische Budgetanzeigen, Rollback bei Überlauf). Die Bearbeitungskosten skalieren mit dem Text nach der Bearbeitung unter Prefix-Caching, daher werden Bearbeitungen gebündelt und mit Blick auf das Ende platziert; die Strategie kann durch Anweisungen gesteuert, als Skill weiterentwickelt oder mit einer erfolgsabhängigen Effizienzprämie trainiert werden.

Latent Briefing (KV-Speicherfreigabe) Orchestrator-Worker-Systeme können Tokens anhäufen, wenn Supervisoren lange Trajektorien ansammeln, Worker aber nur schmale Textausschnitte sehen. Latent Briefing kompaktiert die Orchestrator-Trajektorie im KV-Cache des Worker-Modells mittels aufgabenorientierter Aufmerksamkeit (Attention-Matching-ähnliche Kompaktion), sodass Worker relevante latente Zustände erhalten, ohne den vollständigen Text wiederzugeben, wenn der Stack den Worker-KV-Zustand freigibt und die Modelle kompatibel sind.

Evaluierungsframeworks Die Produktionsevaluierung von Agenten erfordert deterministische Prüfungen und mehrdimensionale Bewertungsmatrizen, die faktische Genauigkeit, Vollständigkeit, Tool-Effizienz und Prozessqualität abdecken. Verwenden Sie Modell-Judges erst, wenn Struktur, Evidenz und Rubrik-Mathematik gültig sind; leiten Sie Judge-Design, paarweisen Vergleich und Bias-Minderung an Advanced Evaluation weiter.

Harness Engineering Zuverlässige autonome Agenten benötigen explizite Betriebsschleifen um das Modell herum: gesperrte Metriken, editierbare Oberflächen, dauerhafte Protokolle, Neuheitsprüfungen, Rollback-Regeln und menschliche Genehmigungsgrenzen. Harnesses verhindern, dass Agenten den Evaluator schwächen, den Zustand bei Kompaktion verlieren oder mehrdeutige Ziele in unüberprüfbare Änderungen verwandeln.

Selbstverbesserungsschleifen Wenn die Umgebung selbst zum Optimierungsziel wird, gilt eine andere Disziplin: rekursive Selbstverbesserung, Meta-Harness-Suche, fehlergesteuerte Selbst-Editierung, evolutionäre Scaffold-Suche und Evolution von Kontextmechanismen. Die kontrollierenden Randbedingungen sind empirische Zwei-Split-Akzeptanzgates, Dateisystem-Erfahrungsarchive mit Rohdaten, laufzeitdurchgesetzte Einschränkungen außerhalb jeder editierbaren Oberfläche und Diversitätsbewahrung, um Kollaps zu verhindern.

Entwicklungsmethodik

Projektentwicklung Eine effektive LLM-Projektentwicklung beginnt mit einer Aufgaben-Modell-Passungsanalyse: Validierung durch manuelles Prototyping, dass eine Aufgabe für die LLM-Verarbeitung geeignet ist, bevor Automatisierung aufgebaut wird. Produktionspipelines folgen gestuften, idempotenten Architekturen (Erfassen, Vorbereiten, Verarbeiten, Parsen, Rendern) mit Dateisystem-Zustandsverwaltung für Debugging und Caching. Strukturiertes Ausgabendesign mit expliziten Formatspezifikationen ermöglicht zuverlässiges Parsen. Beginnen Sie mit einer minimalen Architektur und fügen Sie Komplexität nur hinzu, wenn sie nachweislich erforderlich ist.

Kognitive Architektur

BDI-Mentalzustände Die Belief-Desire-Intention-Modellierung bietet eine formale Möglichkeit, strukturierten externen Kontext in mentale Zustände von Agenten zu übersetzen. Verwenden Sie sie für rationales Handeln, Erklärbarkeit und Systeme, die prüfbare Verbindungen zwischen Überzeugungen, Zielen und gewählten Aktionen benötigen.

Kernkonzepte

Die Sammlung ist um vier Kernthemen organisiert. Erstens legen Kontextgrundlagen fest, was Kontext ist, wie Aufmerksamkeitsmechanismen funktionieren und warum Kontextqualität wichtiger ist als Quantität. Zweitens behandeln Architekturmuster die Strukturen und Koordinationsmechanismen, die effektive Agentensysteme ermöglichen. Drittens befasst sich operative Exzellenz mit Optimierung, Evaluierung und Harness-Zuverlässigkeit. Viertens decken Entwicklungsmethodik und kognitive Architektur die Projektausführung und formale Modellierung mentaler Zustände ab.

Praktische Anleitung

Jeder Skill kann unabhängig oder in Kombination verwendet werden. Beginnen Sie mit den Grundlagen, um mentale Modelle für das Kontextmanagement aufzubauen. Verzweigen Sie sich basierend auf Ihren Systemanforderungen in Architekturmuster. Ziehen Sie operative Skills heran, wenn Sie Produktionssysteme optimieren.

Die Skills sind plattformunabhängig und funktionieren mit Claude Code, Cursor oder jedem Agenten-Framework, das benutzerdefinierte Anweisungen oder skill-ähnliche Konstrukte unterstützt.

Integration

Diese Sammlung ist in sich integriert – Skills verweisen aufeinander und bauen auf gemeinsamen Konzepten auf. Der Skill zu den Grundlagen liefert Kontext für alle anderen Skills. Architektur-Skills (Multi-Agent, Speicher, Tools) können für komplexe Systeme kombiniert werden. Operative Skills (Optimierung, Evaluierung) lassen sich auf jedes System anwenden, das mit den grundlegenden und architektonischen Skills erstellt wurde.

Referenzen

Interne Skills in dieser Sammlung:

Externe Ressourcen zum Context Engineering:

  • Forschung zu Aufmerksamkeitsmechanismen und Kontextfenster-Beschränkungen
  • Produktionserfahrungen führender KI-Labore zum Design von Agentensystemen
  • Framework-Dokumentationen für LangGraph, AutoGen und CrewAI

Skill-Metadaten

Erstellt: 2025-12-20 Zuletzt aktualisiert: 2026-10-01 Autor: Mitwirkende an Agent Skills for Context Engineering Version: 2.6.0

Individual skills in this repo

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

advanced-evaluation

This skill should be used for advanced LLM evaluation: LLM-as-judge systems, direct scoring, pairwise comparison, rubric calibration, evaluator bias mitigation, confidence scoring, and automated quality assessment.

bdi-mental-states

This skill should be used when modeling agent mental states with BDI concepts: beliefs, desires, intentions, RDF-to-belief transformations, rational agency traces, cognitive agents, BDI ontologies, and neuro-symbolic AI integration.

book-sft-pipeline

This skill should be used for book-to-SFT pipelines: ePub extraction, literary segmentation, author-voice dataset construction, style-transfer training, LoRA workflows, and model evaluation for voice replication.

comprehensive-research-agent

Ensure thorough validation, error recovery, and transparent reasoning in research tasks with multiple tool calls

context-compression

This skill should be used when long-running agent sessions need context compression, structured summarization, compaction, token-per-task optimization, or durable handoff summaries that preserve decisions, files, risks, and next actions.

context-degradation

This skill should be used for diagnosing and mitigating context degradation: lost-in-middle failures, context poisoning, context clash, context confusion, attention-pattern issues, and agent performance degradation caused by accumulated or conflicting context.

context-fundamentals

This skill should be used to explain or reason about the foundational concepts of context engineering: what context is, the anatomy of a context window, how attention mechanics work, the U-shaped attention curve, why context quality matters more than quantity, and the mental models needed to interpret every other context-engineering decision. Use this for conceptual explanation, onboarding, and background reading. Route operational work to the specialized skills: debugging attention failures goes to context-degradation, token-efficiency work goes to context-optimization, conversation summarization goes to context-compression, and project-shape decisions go to project-development.

context-optimization

This skill should be used for improving context efficiency: context budgeting, observation masking, prefix or KV-cache strategy, partitioning, token-cost reduction, retrieval scoping, and extending effective context capacity without lowering answer quality.

evaluation

This skill should be used when building agent evaluation systems: deterministic checks, regression suites, multi-dimensional rubrics, quality gates, production monitoring, baseline comparison, and outcome measurement for agent pipelines.

filesystem-context

This skill should be used when agent work needs file-backed context: durable scratchpads, tool-output offloading, just-in-time discovery, cross-agent handoff files, filesystem memory, or cleanup policies for context stored outside the prompt.

harness-engineering

This skill should be used when designing autonomous agent harnesses: research loops, evaluation scaffolds, locked and editable surfaces, durable logs, novelty gates, pruning, rollback, PR preparation, and human approval boundaries.

hosted-agents

This skill should be used when designing hosted or background agent infrastructure: sandboxed execution, remote coding environments, warm pools, session persistence, multiplayer collaboration, self-spawning agents, or Modal-style sandboxes.

latent-briefing

This skill should be used when the user asks to "share memory between agents", "KV cache compaction for multi-agent", "orchestrator worker context", "latent briefing", "reduce worker tokens", "cross-agent memory without summarization", or discusses Attention Matching compaction, recursive language models with workers, or token explosion in hierarchical agents.

long-horizon-prompting

This skill should be used when writing, enhancing, or evaluating the launch prompt for a long-running autonomous agent or a parallel multi-agent orchestration attacking a hard problem: pseudo-formal task briefs that define terms and an exact success predicate linguistically, enumerate non-counting outcomes, set persistence rules with explicit stop and return conditions and effort floors, manage a diverse portfolio of parallel approaches with an approach registry and blocked-route bookkeeping, and gate the return on adversarial audit. Route agent topology and coordination protocols to multi-agent-patterns, runtime control surfaces and loop governance to harness-engineering, evaluator and quality-gate construction to evaluation, judge design to advanced-evaluation, and compaction or memory mechanics to context-compression and memory-systems.

memory-systems

This skill should be used for persistent semantic memory in agent systems: cross-session knowledge retention, entity tracking, temporal validity, graph or vector retrieval, memory consolidation, and memory benchmark selection. Route file-backed scratchpads to filesystem-context, handoff summaries to context-compression, and token-efficiency tactics to context-optimization.

multi-agent-patterns

This skill should be used when designing multi-agent systems that need context isolation, supervisor or swarm coordination, explicit handoffs, parallel execution, or a decision on whether multiple agents are justified.

project-development

This skill should be used for project-level decisions about LLM-powered systems: whether an LLM is the right primitive for the task at hand, the shape of a multi-stage batch or agent pipeline, token and cost estimation, choosing between single-agent and multi-agent at the project level, structured output design for downstream parsing, and structuring agent-assisted iteration. Use this when the unit of work is a whole project or a multi-stage pipeline. Route individual tool design to tool-design and individual skill-loading or context-budget tactics to context-optimization.

self-improvement-loops

This skill should be used when the harness, scaffold, workflow, or optimizer itself is the optimization target: recursive self-improvement (RSI) loops, meta-harnesses, self-improving harnesses that mine their own failures and propose bounded edits, evolutionary or population-based search over agent scaffolds, acceptance gates for self-modifying systems, and agentic context evolution where the mechanism that produces context is versioned and evolved. Route governance of a single autonomous loop (locked surfaces, durable logs, rollback, novelty gates, approval boundaries) to harness-engineering, measurement and quality-gate design to evaluation, judge design to advanced-evaluation, and remote sandbox infrastructure to hosted-agents.

self-managed-context

This skill should be used when a model gets read-write control over its own live context window instead of a harness-scheduled compaction policy: the context exposed as an editable file the model rewrites with code tools, model-driven eviction and in-place updates, the harness invariants that keep self-editing safe (pinned prefix, edit gate, edit receipts, budget readouts, rollback on overflow), the prefix-cache cost of mid-context edits, and steering or training the model's own context-editing strategy. Route note content and fixed-threshold summarization to context-compression, cache-stable layout under harness control to context-optimization, file offloading to filesystem-context, and loop governance to self-improvement-loops.

tool-design

This skill should be used for the tool-interface layer of an agent system specifically: writing tool descriptions agents can route on, designing tool schemas and response formats, naming conventions, actionable error recovery messages, MCP server design, tool-set consolidation, and deciding when to add or remove an individual tool. Use this when the unit of work is a single tool or a set of tools. Route project-shape, pipeline architecture, and task-model-fit decisions to project-development; route deciding whether to introduce sub-agents to multi-agent-patterns.

Verwandte Skills

steipete/bluebubbles

Send and manage iMessages via BlueBubbles, including attachments, tapbacks, edits, replies, and groups.

community

steipete/eightctl

Control Eight Sleep pods (status, temperature, alarms, schedules).

community

steipete/blucli

BluOS CLI (blu) for discovery, playback, grouping, and volume.

community

steipete/bear-notes

Create, search, and manage Bear notes via grizzly CLI.

community

steipete/camsnap

Capture frames or clips from RTSP/ONVIF cameras.

community

steipete/gifgrep

Search GIF providers with CLI/TUI, download results, and extract stills/sheets.

community
← More Codierung & Entwicklung skills