Habilidades de Agente para Engenharia de Contexto
Esta coleção fornece orientação estruturada para construir sistemas de agentes de IA de nível de produção por meio de engenharia de contexto eficaz.
Quando Ativar
Ative estas habilidades quando:
- Construir novos sistemas de agentes do zero
- Otimizar o desempenho de agentes existentes
- Depurar falhas relacionadas ao contexto
- Projetar arquiteturas multi-agente
- Criar ou avaliar ferramentas para agentes
- Implementar camadas de memória e persistência
- Projetar harnesses de pesquisa ou avaliação autônomos
Mapa de Habilidades
Engenharia de Contexto Fundamental
Compreendendo os Fundamentos do Contexto Contexto não é apenas texto de prompt — é o estado completo disponível para o modelo de linguagem no momento da inferência, incluindo instruções do sistema, definições de ferramentas, documentos recuperados, histórico de mensagens e saídas de ferramentas. Engenharia de contexto eficaz significa entender qual informação realmente importa para a tarefa em questão e selecionar essa informação para maximizar a relação sinal-ruído.
Reconhecendo a Degradação do Contexto Modelos de linguagem exibem padrões previsíveis de degradação à medida que o contexto cresce: o fenômeno "perdido no meio" onde informações no centro do contexto recebem menos atenção; curvas de atenção em forma de U que priorizam o início e o fim; envenenamento de contexto quando erros se acumulam; e distração de contexto quando informações irrelevantes sobrecarregam o conteúdo relevante.
Padrões Arquiteturais
Coordenação Multi-Agente Sistemas multi-agente de produção convergem em três padrões dominantes: arquiteturas de supervisor/orquestrador com controle centralizado, arquiteturas peer-to-peer (ponto a ponto) para transferências flexíveis e estruturas hierárquicas para decomposição complexa de tarefas. A percepção crítica é que subagentes existem principalmente para isolar o contexto, em vez de simular papéis organizacionais.
Prompting de Longo Horizonte Agentes autônomos de longa duração e orquestrações paralelas têm sucesso ou fracasso com base no prompt inicial. Briefings de tarefas pseudo-formais especificam predicados de sucesso, resultados não contáveis, regras de persistência com condições de retorno auditadas, pisos de esforço, políticas de diversidade para portfólios paralelos e barreiras de contaminação, aplicando a disciplina da verificação formal linguisticamente a problemas sem condição de sucesso verificável por máquina. Em execuções orquestradas, cada trabalhador retorna um contrato de saída com verificações nomeadas, e apenas violações evidenciadas bloqueiam o retorno.
Design de Sistemas de Memória Arquiteturas de memória variam de rascunhos simples a sofisticados grafos de conhecimento temporais. O Vector RAG fornece recuperação semântica, mas perde informações de relacionamento. Grafos de conhecimento preservam a estrutura, mas exigem mais investimento em engenharia. O padrão sistema-de-arquivos-como-memória permite carregamento de contexto just-in-time sem sobrecarregar as janelas de contexto.
Contexto Baseado em Sistema de Arquivos
O sistema de arquivos fornece uma interface única para armazenar, recuperar e atualizar contexto efetivamente ilimitado. Padrões-chave incluem rascunhos para descarregamento de saída de ferramentas, persistência de planos para tarefas de longo horizonte, comunicação entre subagentes por meio de arquivos compartilhados e carregamento dinâmico de habilidades. Agentes usam ls, glob, grep e read_file para descoberta de contexto direcionada, muitas vezes superando a busca semântica para consultas estruturais.
Infraestrutura de Agentes Hospedados Agentes de codificação em segundo plano executam em ambientes remotos em sandbox, em vez de máquinas locais. Padrões-chave incluem imagens de ambiente pré-construídas atualizadas em cadência regular, pools de sandbox aquecidos para início instantâneo de sessões, snapshots do sistema de arquivos para persistência de sessão e suporte multijogador para sessões de agente colaborativas. Otimizações críticas incluem permitir leituras de arquivos antes da conclusão da sincronização git (bloqueando apenas gravações), aquecimento preditivo de sandbox quando os usuários começam a digitar e agentes auto-instanciáveis para execução paralela de tarefas.
Princípios de Design de Ferramentas Ferramentas são contratos entre sistemas determinísticos e agentes não determinísticos. O design eficaz de ferramentas segue o princípio da consolidação (prefira ferramentas únicas e abrangentes a múltiplas ferramentas estreitas), retorna informações contextuais em erros, suporta opções de formato de resposta para eficiência de tokens e usa namespacing claro.
Excelência Operacional
Compressão de Contexto Quando as sessões do agente esgotam a memória, a compressão se torna obrigatória. O alvo de otimização correto é tokens-por-tarefa, não tokens-por-solicitação. A sumarização estruturada com seções explícitas para arquivos, decisões e próximos passos preserva informações mais úteis do que a compressão agressiva. A integridade da trilha de artefatos permanece a dimensão mais fraca em todos os métodos de compressão.
Otimização de Contexto As técnicas incluem compactação (sumarização do contexto perto dos limites), mascaramento de observação (substituir saídas detalhadas de ferramentas por referências), cache de prefixo (reutilizar blocos KV entre solicitações) e particionamento estratégico de contexto (dividir o trabalho entre subagentes com contextos isolados).
Contexto Autogerenciado O modelo, não o harness, decide o que permanece em seu contexto ativo: a região editável é exposta como um arquivo que o modelo reescreve com ferramentas de código e é reanalisada a cada turno. O harness mantém os invariantes (prefixo de sistema e tarefa fixos, dobramento de papéis, gate de edição, recibos, leituras de orçamento determinísticas, reversão em caso de estouro). O custo da edição escala com o texto após a edição sob cache de prefixo, portanto as edições são agrupadas e colocadas com a cauda em mente; a estratégia pode ser direcionada por instrução, evoluída como uma habilidade, ou treinada com uma recompensa de eficiência com gate de sucesso.
Briefing Latente (Compartilhamento de Memória KV) Sistemas orquestrador-trabalhador podem acumular tokens quando supervisores acumulam trajetórias longas, mas trabalhadores veem apenas fatias estreitas de texto. O Briefing Latente compacta a trajetória do orquestrador no cache KV do modelo trabalhador usando atenção guiada por tarefa (compactação estilo Attention Matching) para que os trabalhadores recebam estado latente relevante sem repetição de texto completo quando a pilha expõe o estado KV do trabalhador e os modelos são compatíveis.
Frameworks de Avaliação A avaliação de agentes de produção requer verificações determinísticas e rubricas multidimensionais que cobrem precisão factual, completude, eficiência de ferramentas e qualidade do processo. Use juízes modelo apenas depois que a estrutura, evidências e matemática da rubrica são válidas; direcione o design do juiz, comparação pareada e mitigação de viés para Avaliação Avançada.
Engenharia de Harness Agentes autônomos confiáveis precisam de loops operacionais explícitos ao redor do modelo: métricas bloqueadas, superfícies editáveis, logs duráveis, verificações de novidade, regras de reversão e limites de aprovação humana. Os harnesses impedem que agentes enfraqueçam o avaliador, percam o estado durante a compactação ou transformem objetivos ambíguos em alterações não revisáveis.
Loops de Autoaperfeiçoamento Quando o próprio harness se torna o alvo da otimização, uma disciplina diferente se aplica: autoaperfeiçoamento recursivo, busca meta-harness, autoedições limitadas orientadas por falhas, busca evolutiva de scaffold e evolução do mecanismo de contexto. As restrições de controle são portões de aceitação empíricos de duas divisões, arquivos de experiência do sistema de arquivos com rastreamentos brutos, restrições aplicadas em tempo de execução fora de todas as superfícies editáveis e preservação da diversidade para evitar colapso.
Metodologia de Desenvolvimento
Desenvolvimento de Projeto O desenvolvimento eficaz de projetos LLM começa com a análise de ajuste tarefa-modelo: validando por meio de prototipagem manual que uma tarefa é adequada para processamento LLM antes de construir a automação. Pipelines de produção seguem arquiteturas em estágios e idempotentes (adquirir, preparar, processar, analisar, renderizar) com gerenciamento de estado do sistema de arquivos para depuração e cache. O design de saída estruturada com especificações de formato explícitas permite análise confiável. Comece com uma arquitetura mínima e adicione complexidade apenas quando comprovadamente necessário.
Arquitetura Cognitiva
Estados Mentais BDI (Crença-Desejo-Intenção) A modelagem crença-desejo-intenção fornece uma maneira formal de traduzir o contexto externo estruturado em estados mentais de agente. Use-a para agência racional, explicabilidade e sistemas que precisam de links auditáveis entre crenças, metas e ações escolhidas.
Conceitos Principais
A coleção está organizada em torno de quatro temas principais. Primeiro, fundamentos de contexto estabelecem o que é contexto, como os mecanismos de atenção funcionam e por que a qualidade do contexto importa mais do que a quantidade. Segundo, padrões arquiteturais cobrem as estruturas e mecanismos de coordenação que permitem sistemas de agentes eficazes. Terceiro, excelência operacional aborda otimização, avaliação e confiabilidade do harness. Quarto, metodologia de desenvolvimento e arquitetura cognitiva cobrem a execução do projeto e a modelagem formal de estados mentais.
Orientação Prática
Cada habilidade pode ser usada independentemente ou em combinação. Comece com fundamentos para estabelecer modelos mentais de gerenciamento de contexto. Ramifique-se em padrões arquiteturais com base nos requisitos do seu sistema. Consulte habilidades operacionais ao otimizar sistemas de produção.
As habilidades são agnósticas de plataforma e funcionam com Claude Code, Cursor ou qualquer framework de agente que suporte instruções personalizadas ou construções semelhantes a habilidades.
Integração
Esta coleção se integra a si mesma — as habilidades se referenciam umas às outras e se baseiam em conceitos compartilhados. A habilidade de fundamentos fornece contexto para todas as outras habilidades. Habilidades arquiteturais (multi-agente, memória, ferramentas) podem ser combinadas para sistemas complexos. Habilidades operacionais (otimização, avaliação) se aplicam a qualquer sistema construído usando as habilidades fundamentais e arquiteturais.
Referências
Habilidades internas nesta coleção:
- 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
Recursos externos sobre engenharia de contexto:
- Pesquisa sobre mecanismos de atenção e limitações de janela de contexto
- Experiência de produção de laboratórios de IA líderes em design de sistemas de agentes
- Documentação de frameworks para LangGraph, AutoGen e CrewAI
Metadados da Habilidade
Criado: 2025-12-20 Última Atualização: 2026-10-01 Autor: Contribuidores do Agent Skills for Context Engineering Versão: 2.6.0