Compétences Agent pour l'Ingénierie du Contexte
Cette collection fournit un guide structuré pour construire des systèmes d'agents IA de qualité production grâce à une ingénierie du contexte efficace.
Quand Activer
Activez ces compétences lorsque :
- Vous construisez de nouveaux systèmes d'agents à partir de zéro
- Vous optimisez les performances d'agents existants
- Vous déboguez des défaillances liées au contexte
- Vous concevez des architectures multi-agents
- Vous créez ou évaluez des outils pour agents
- Vous implémentez des couches de mémoire et de persistance
- Vous concevez des harnais de recherche ou d'évaluation autonomes
Carte des Compétences
Ingénierie Fondamentale du Contexte
Comprendre les Fondamentaux du Contexte Le contexte n'est pas simplement du texte d'invite : c'est l'état complet disponible pour le modèle de langage au moment de l'inférence, incluant les instructions système, les définitions d'outils, les documents récupérés, l'historique des messages et les sorties des outils. Une ingénierie efficace du contexte signifie comprendre quelles informations sont réellement importantes pour la tâche à accomplir et organiser ces informations pour un rapport signal/bruit maximal.
Reconnaître la Dégradation du Contexte Les modèles de langage présentent des schémas de dégradation prévisibles à mesure que le contexte grandit : le phénomène "perdu au milieu" où les informations au centre du contexte reçoivent moins d'attention ; les courbes d'attention en U qui privilégient le début et la fin ; l'empoisonnement du contexte lorsque les erreurs se cumulent ; et la distraction contextuelle lorsque des informations non pertinentes submergent le contenu pertinent.
Patrons Architecturaux
Coordination Multi-Agents Les systèmes multi-agents de production convergent vers trois patrons dominants : les architectures superviseur/orchestrateur avec contrôle centralisé, les architectures pair-à-pair en essaim pour des transferts flexibles, et les structures hiérarchiques pour la décomposition complexe des tâches. L'idée clé est que les sous-agents existent principalement pour isoler le contexte plutôt que pour simuler des rôles organisationnels.
Invites à Long Terme Les agents autonomes fonctionnant longtemps et les orchestrations parallèles réussissent ou échouent sur l'invite de lancement. Les briefs de tâches pseudo-formels spécifient des prédicats de succès, des résultats non comptables, des règles de persistance avec des conditions de retour vérifiées par audit, des planchers d'effort, des politiques de diversité pour les portefeuilles parallèles, et des gardes de contamination, appliquant la discipline de la vérification formelle de manière linguistique à des problèmes sans condition de succès vérifiable par machine. Dans les exécutions orchestrées, chaque travailleur renvoie un contrat de sortie avec des vérifications nommées, et seules les violations prouvées bloquent le retour.
Conception de Systèmes Mémoire Les architectures mémoire vont de simples blocs-notes à des graphes de connaissances temporels sophistiqués. Le RAG vectoriel offre une recherche sémantique mais perd les relations entre données. Les graphes de connaissances préservent la structure mais nécessitent plus d'investissement en ingénierie. Le patron "système de fichiers comme mémoire" permet un chargement de contexte juste-à-temps sans surcharger les fenêtres de contexte.
Contexte Basé sur le Système de Fichiers
Le système de fichiers offre une interface unique pour stocker, récupérer et mettre à jour un contexte virtuellement illimité. Les patrons clés incluent les blocs-notes pour le déchargement des sorties d'outils, la persistance des plans pour les tâches à long terme, la communication entre sous-agents via des fichiers partagés, et le chargement dynamique de compétences. Les agents utilisent ls, glob, grep et read_file pour la découverte ciblée du contexte, surpassant souvent la recherche sémantique pour les requêtes structurelles.
Infrastructure d'Agents Hébergés Les agents de codage en arrière-plan s'exécutent dans des environnements sandbox distants plutôt que sur des machines locales. Les patrons clés incluent des images d'environnement pré-construites actualisées à un rythme régulier, des pools de sandbox chauds pour des démarrages de session instantanés, des instantanés du système de fichiers pour la persistance des sessions, et la prise en charge multi-joueurs pour les sessions collaboratives d'agents. Les optimisations critiques incluent l'autorisation des lectures de fichiers avant la synchronisation git (blocage des écritures uniquement), le préchauffage prédictif des sandbox lorsque les utilisateurs commencent à taper, et les agents auto-générés pour l'exécution de tâches en parallèle.
Principes de Conception d'Outils Les outils sont des contrats entre des systèmes déterministes et des agents non déterministes. Une conception efficace d'outils suit le principe de consolidation (préférer un outil unique et complet plutôt que plusieurs outils étroits), renvoie des informations contextuelles dans les erreurs, prend en charge des options de format de réponse pour l'efficacité des jetons, et utilise un espace de noms clair.
Excellence Opérationnelle
Compression du Contexte Lorsque les sessions d'agents épuisent la mémoire, la compression devient obligatoire. L'objectif d'optimisation correct est le nombre de jetons par tâche, et non le nombre de jetons par requête. Le résumé structuré avec des sections explicites pour les fichiers, les décisions et les prochaines étapes préserve plus d'informations utiles qu'une compression agressive. L'intégrité de la piste d'artefacts reste la dimension la plus faible dans toutes les méthodes de compression.
Optimisation du Contexte Les techniques incluent la compaction (résumé du contexte proche des limites), le masquage d'observation (remplacement des sorties d'outils verbeuses par des références), la mise en cache de préfixes (réutilisation des blocs KV entre les requêtes), et le partitionnement stratégique du contexte (répartition du travail entre sous-agents avec des contextes isolés).
Contexte Auto-Géré Le modèle, et non le harnais, décide ce qui reste dans son contexte en direct : la zone éditable est exposée comme un fichier que le modèle réécrit avec des outils de code et ré-analysé à chaque tour. Le harnais maintient les invariants (préfixe système et tâche épinglés, repli de rôle, portail d'édition, reçus, lectures budgétaires déterministes, retour arrière en cas de dépassement). Le coût d'édition évolue avec le texte après l'édition sous mise en cache de préfixe, donc les modifications sont regroupées et placées en tenant compte de la fin ; la stratégie peut être orientée par instruction, évoluée comme une compétence, ou entraînée avec une récompense d'efficacité conditionnée par le succès.
Briefing Latent (Partage de Mémoire KV) Les systèmes orchestrateur-travailleur peuvent cumuler des jetons lorsque les superviseurs accumulent de longues trajectoires mais que les travailleurs ne voient que des extraits de texte étroits. Le Briefing Latent compacte la trajectoire de l'orchestrateur dans le cache KV du modèle travailleur en utilisant une attention guidée par la tâche (compaction de style Attention Matching) afin que les travailleurs reçoivent un état latent pertinent sans relecture complète du texte lorsque la pile expose l'état KV du travailleur et que les modèles sont compatibles.
Cadres d'Évaluation L'évaluation des agents en production nécessite des vérifications déterministes et des grilles multidimensionnelles couvrant l'exactitude factuelle, l'exhaustivité, l'efficacité des outils et la qualité du processus. Utilisez des juges modèles uniquement après que la structure, les preuves et les mathématiques de la grille sont valides ; orientez la conception du juge, la comparaison par paires et l'atténuation des biais vers l'Évaluation Avancée.
Ingénierie des Harnais Les agents autonomes fiables ont besoin de boucles de fonctionnement explicites autour du modèle : métriques verrouillées, surfaces modifiables, journaux durables, vérifications de nouveauté, règles de retour arrière et limites d'approbation humaine. Les harnais empêchent les agents d'affaiblir l'évaluateur, de perdre l'état lors de la compaction, ou de transformer des objectifs ambigus en changements non vérifiables.
Boucles d'Auto-Amélioration Lorsque le harnais lui-même devient la cible d'optimisation, une discipline différente s'applique : auto-amélioration récursive, recherche de méta-harnais, auto-modifications bornées guidées par les échecs, recherche évolutive d'échafaudages, et évolution des mécanismes de contexte. Les contraintes de contrôle sont les portes d'acceptation empiriques à deux divisions, les archives d'expérience du système de fichiers avec traces brutes, les contraintes appliquées à l'exécution en dehors de toute surface modifiable, et la préservation de la diversité pour éviter l'effondrement.
Méthodologie de Développement
Développement de Projet Le développement de projet LLM efficace commence par une analyse d'adéquation tâche-modèle : valider par prototypage manuel qu'une tâche est bien adaptée au traitement LLM avant de construire l'automatisation. Les pipelines de production suivent des architectures étagées et idempotentes (acquérir, préparer, traiter, analyser, rendre) avec une gestion d'état basée sur le système de fichiers pour le débogage et la mise en cache. La conception de sortie structurée avec des spécifications de format explicites permet un analyse fiable. Commencez avec une architecture minimale et n'ajoutez de la complexité que lorsqu'elle s'avère nécessaire.
Architecture Cognitive
États Mentaux BDI La modélisation croyance-désir-intention fournit un moyen formel de traduire le contexte externe structuré en états mentaux d'agent. Utilisez-la pour l'agence rationnelle, l'explicabilité et les systèmes qui nécessitent des liens vérifiables entre les croyances, les objectifs et les actions choisies.
Concepts Clés
La collection est organisée autour de quatre thèmes principaux. Premièrement, les fondamentaux du contexte établissent ce qu'est le contexte, comment fonctionnent les mécanismes d'attention, et pourquoi la qualité du contexte importe plus que la quantité. Deuxièmement, les patrons architecturaux couvrent les structures et les mécanismes de coordination qui permettent des systèmes d'agents efficaces. Troisièmement, l'excellence opérationnelle aborde l'optimisation, l'évaluation et la fiabilité des harnais. Quatrièmement, la méthodologie de développement et l'architecture cognitive couvrent l'exécution de projet et la modélisation formelle des états mentaux.
Conseils Pratiques
Chaque compétence peut être utilisée indépendamment ou en combinaison. Commencez par les fondamentaux pour établir des modèles mentaux de gestion du contexte. Passez aux patrons architecturaux en fonction des exigences de votre système. Référez-vous aux compétences opérationnelles lors de l'optimisation des systèmes de production.
Les compétences sont indépendantes de toute plateforme et fonctionnent avec Claude Code, Cursor ou tout framework d'agents prenant en charge des instructions personnalisées ou des constructions de type compétence.
Intégration
Cette collection s'intègre à elle-même : les compétences se référencent mutuellement et s'appuient sur des concepts partagés. La compétence sur les fondamentaux fournit le contexte pour toutes les autres compétences. Les compétences architecturales (multi-agents, mémoire, outils) peuvent être combinées pour des systèmes complexes. Les compétences opérationnelles (optimisation, évaluation) s'appliquent à tout système construit à l'aide des compétences fondamentales et architecturales.
Références
Compétences internes de cette collection :
- context-fundamentals
- context-degradation
- context-compression
- multi-agent-patterns
- long-horizon-prompting
- memory-systems
- tool-design
- filesystem-context
- hosted-agents
- context-optimization
- self-managed-context
- latent-briefing
- evaluation
- advanced-evaluation
- harness-engineering
- self-improvement-loops
- project-development
- bdi-mental-states
Ressources externes sur l'ingénierie du contexte :
- Recherche sur les mécanismes d'attention et les limites de la fenêtre de contexte
- Expérience de production des principaux laboratoires d'IA sur la conception de systèmes d'agents
- Documentation des frameworks LangGraph, AutoGen et CrewAI
Métadonnées de la Compétence
Créée : 2025-12-20 Dernière mise à jour : 2026-10-01 Auteur : Contributeurs des Compétences Agent pour l'Ingénierie du Contexte Version : 2.6.0