Communitygithub.com

Ingénierie du Contexte

Vérifier les limites d'utilisation du contexte, surveiller le temps restant, optimiser la consommation de tokens, déboguer les échecs de contexte.

Qu'est-ce que Ingénierie du Contexte ?

Cette compétence fournit un cadre complet pour l'ingénierie du contexte dans les systèmes d'agents LLM. Elle aide à surveiller l'utilisation du contexte en temps réel (jusqu'à 90 %), à optimiser la consommation de tokens et à appliquer des stratégies de compaction lorsque des seuils (70 % avertissement, 80 % optimisation) sont atteints. Basée sur des principes tels que la qualité du contexte plutôt que la quantité et l'attention finie, elle propose des références, des métriques clés (par exemple, la variance des tokens explique 80 % de la variance de performance des agents) et une stratégie en quatre compartiments (écrire, sélectionner, compresser, isoler). Elle est destinée aux développeurs concevant des systèmes multi-agents, des pipelines LLM ou des systèmes de mémoire, et prend en charge l'injection d'informations d'utilisation via un hook PostToolUse. Les références incluses couvrent les fondamentaux, la dégradation du contexte, l'optimisation, la compression, la mémoire, les motifs multi-agents, l'évaluation, la conception d'outils, le développement de projets et la sensibilisation au moment de l'exécution.

Compatible avec✓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-2

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait Ingénierie du Contexte ?

L'ingénierie du contexte sélectionne le plus petit ensemble de tokens à fort signal pour les tâches LLM. L'objectif : maximiser la qualité du raisonnement tout en minimisant l'utilisation de tokens.

Quand Activer

  • Concevoir/déboguer des systèmes d'agents
  • Les limites de contexte contraignent les performances
  • Optimiser le coût/la latence
  • Construire une coordination multi-agents
  • Implémenter des systèmes de mémoire
  • Évaluer les performances des agents
  • Développer des pipelines basés sur LLM

Principes Fondamentaux

  1. Qualité du contexte > Quantité - Les tokens à fort signal surpassent le contenu exhaustif
  2. L'attention est limitée - La courbe en U favorise les positions de début/fin
  3. Divulgation progressive - Charger l'information juste-à-temps
  4. L'isolation empêche la dégradation - Partitionner le travail entre sous-agents
  5. Mesurer avant d'optimiser - Connaître votre base de référence

IMPORTANT :

  • Sacrifier la grammaire au profit de la concision.
  • Assurer l'efficacité des tokens tout en maintenant une haute qualité.
  • Transmettre ces règles aux sous-agents.

Référence Rapide

SujetQuand UtiliserRéférence
FondamentauxComprendre l'anatomie du contexte, la mécanique de l'attentioncontext-fundamentals.md
DégradationDéboguer les échecs, perte au milieu, empoisonnementcontext-degradation.md
OptimisationCompactage, masquage, mise en cache, partitionnementcontext-optimization.md
CompressionSessions longues, stratégies de résumécontext-compression.md
MémoirePersistance inter-sessions, graphes de connaissancesmemory-systems.md
Multi-AgentsModèles de coordination, isolation du contextemulti-agent-patterns.md
ÉvaluationTester les agents, LLM-en-tant-que-Juge, métriquesevaluation.md
Conception d'OutilsConsolidation d'outils, ingénierie de descriptiontool-design.md
PipelinesDéveloppement de projet, traitement par lotsproject-development.md
Sensibilité au Temps d'ExécutionLimites d'utilisation, surveillance de la fenêtre de contexteruntime-awareness.md

Métriques Clés

  • Utilisation des tokens : Avertissement à 70 %, déclencher l'optimisation à 80 %
  • Variance des tokens : Explique 80 % de la variance de performance des agents
  • Coût multi-agents : ~15x le coût d'un agent unique
  • Objectif de compactage : Réduction de 50 à 70 %, perte de qualité <5 %
  • Objectif de cache : 70 %+ pour les charges de travail stables

Stratégie en Quatre Compartiments

  1. Écrire : Sauvegarder le contexte en externe (blocs-notes, fichiers)
  2. Sélectionner : Extraire uniquement le contexte pertinent (récupération, filtrage)
  3. Compresser : Réduire les tokens tout en préservant l'information (résumé)
  4. Isoler : Répartir entre sous-agents (partitionnement)

Anti-Patterns

  • Contexte exhaustif plutôt que contexte sélectionné
  • Informations critiques en position médiane
  • Aucun déclencheur de compactage avant les limites
  • Agent unique pour des tâches parallélisables
  • Outils sans descriptions claires

Directives

  1. Placer les informations critiques au début/fin du contexte
  2. Implémenter le compactage à 70-80 % d'utilisation
  3. Utiliser des sous-agents pour l'isolation du contexte, pas pour le jeu de rôle
  4. Concevoir des outils avec le cadre des 4 questions (quoi, quand, entrées, retours)
  5. Optimiser pour les tokens-par-tâche, pas les tokens-par-requête
  6. Valider avec une évaluation par sonde
  7. Surveiller les taux de succès du cache KV en production
  8. Commencer minimal, ajouter de la complexité uniquement lorsque nécessaire

Sensibilité au Temps d'Exécution

Le système injecte automatiquement la sensibilisation à l'utilisation via le hook PostToolUse :

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

Seuils :

  • 70 % : AVERTISSEMENT - envisager une optimisation/compaction
  • 90 % : CRITIQUE - action immédiate nécessaire

Sources de Données :

  • Limites d'utilisation : API OAuth Anthropic (https://api.anthropic.com/api/oauth/usage)
  • Fenêtre de contexte : Fichier temporaire Statusline (/tmp/ck-context-{session_id}.json)

Scripts

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.

Skills associés