muratcankoylan/Agent-Skills-for-Context-Engineering · 上手攻略
- 仓库：muratcankoylan/Agent-Skills-for-Context-Engineering
- 链接：https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering
- 分类：agent-skills
- 作者：Tom
- 更新：2026-08-09
是什么
一个专注于 Context Engineering（上下文工程） 的 Agent Skills 合集，共 17 个 skills，涵盖上下文基础、注意力退化机制、多智能体架构、记忆系统、工具设计、评测框架、自优化循环等核心主题。这套 skills 的核心理念是：上下文窗口的限制不是靠"增加 Token 数"就能解决的，而是需要系统性地管理信息流入的质量和结构。
这个仓库已经在学术圈得到实质引用——被北京大学「Meta Context Engineering via Agentic Skill Evolution」（arXiv:2601.21557, 2025）和卡内基梅隆大学等联合发表的「Agent Harness Engineering: A Survey」（OpenReview, 2026）作为基础参考，说明其方法论有真实的学术认可度。
核心定位：不是教你写 Prompt，而是教你管理 Token 预算、优化注意力机制退化、构建生产级 Agent 系统。如果说 Prompt Engineering 是"怎么说"，Context Engineering 就是"说什么、说多少、按什么顺序说"。
解决什么问题
大模型有上下文窗口限制，但这个限制的本质不是简单的"字数不够"，而是注意力机制层面的系统性退化。随着上下文增长，模型会表现出可预测的退化模式：lost-in-the-middle（中间信息被忽略）、U 型注意力曲线（开头结尾最强，中间最弱）、attention scarcity（注意力稀释到无关 token 上）。传统做法是"少说点"或者"截断重来"，但真正有效的做法是用系统方法管理信息流入的质量和结构。
典型读者：AI 工程师、Agent 系统开发者、想理解为什么长会话 AI 表现会下降的任何人。
快速安装
这是 Claude Code Plugin Marketplace，安装方式：
# 1. 添加插件市场
/plugin marketplace add muratcankoylan/Agent-Skills-for-Context-Engineering
# 2. 安装插件
# 方式 A - 交互浏览安装：
# 在 Claude Code 选择 Browse and install plugins
# → context-engineering-marketplace → context-engineering → Install now
# 方式 B - 直接命令安装：
/plugin install context-engineering@context-engineering-marketplace
安装后，17 个 skills 自动注册，按需激活（Claude Code 根据任务上下文自动加载对应 skill）。这是"渐进式披露"设计哲学的体现——启动时只加载 skill 名称和描述，完整内容在真正需要时才加载，最大化 Token 效率。
核心 Skills 全览
基础技能（Foundational，3 个）
| Skill | 用途 |
|---|---|
context-fundamentals |
理解什么是 context、为什么重要、Agent 系统中 context 的组成 |
context-degradation |
识别 context 退化模式：lost-in-middle、中毒、分心、冲突 |
context-compression |
为长会话设计压缩策略并评估效果 |
架构技能（Architectural，6 个）
| Skill | 用途 |
|---|---|
multi-agent-patterns |
掌握 orchestrator、peer-to-peer、hierarchical 多智能体架构及选型原则 |
long-horizon-prompting |
NEW 为长时自治 Agent 写 pseudo-formal task brief：精确成功谓词、非计数结果、审计门控返回条件、工作量下限、多样性策略；参考 GPT-5.6 Sol Ultra Cycle Double Cover prompt 的设计模式 |
memory-systems |
设计短时、长时、图结构记忆架构，含检索和更新语义 |
tool-design |
构建 Agent 真正好用的工具（含错误设计、描述优化） |
filesystem-context |
用文件系统做动态 context 发现、工具输出卸载、计划持久化 |
hosted-agents |
NEW 用沙箱 VM、预构建镜像、多人支持、多客户端接口跑后台编程 Agent |
运营技能（Operational，6 个）
| Skill | 用途 |
|---|---|
context-optimization |
应用压缩、掩码、缓存策略提升 token 效率 |
latent-briefing |
通过任务引导 KV cache 压缩与 worker 共享 orchestrator 轨迹（需可控 worker 运行时） |
evaluation |
为 Agent 系统构建评测框架，含确定性检查和回归测试 |
advanced-evaluation |
掌握 LLM-as-a-Judge：直接评分、成对比较、评分卡生成、偏见缓解 |
harness-engineering |
设计自主 Agent harnesses：锁定指标、持久日志、新颖性门控、回滚、人工审批边界 |
self-improvement-loops |
NEW 把 harness 本身作为优化目标：RSI、meta-harness 搜索、失败驱动自编辑、进化脚手架搜索、自修改系统验收门控 |
开发方法论（Development Methodology，1 个）
| Skill | 用途 |
|---|---|
project-development |
从想法到部署设计 LLM 项目，含任务-模型适配分析、pipeline 架构、结构化输出设计 |
认知架构技能（Cognitive Architecture，1 个）
| Skill | 用途 |
|---|---|
bdi-mental-states |
NEW 将外部 RDF context 转化为 Agent 心理状态（信念 Belief、欲望 Desire、意图 Intention），用于形式化推理和可解释性 |
典型适用场景
- 诊断长会话性能下降：用
context-degradation识别是 lost-in-middle 还是 attention scarcity 问题，对症下药 - 设计多 Agent 系统：选 orchestrator / peer-to-peer / hierarchical 之前，先读
multi-agent-patterns了解各自权衡 - 优化 Token 预算：用
context-optimization做压缩 + 掩码 + 缓存，降低 API 成本而不牺牲输出质量 - 构建评测体系：从
evaluation到advanced-evaluation，完整覆盖 LLM-as-a-Judge 方法，含偏见识别和缓解 - 设计 Agent 自优化循环：
self-improvement-loops教你如何在 harness 层面做进化搜索，是当前 Agent 自我改进研究的前沿方向 - 理解 Context Engineering 学术前沿：引用了 2025-2026 年顶会最新工作（arXiv + OpenReview），有真实的学术深度，不是泛泛的提示词分享
坑与注意
- Skill 激活是按需的：这是设计哲学（渐进式披露），启动时 Claude Code 只加载 skill 名称和描述，完整内容在激活对应任务时才加载——不是 bug，是刻意为之的 Token 优化
- 平台无关但有门槛：Skills 专注可迁移原理，不绑定特定厂商；但部分内容（如
hosted-agents、latent-briefing）需要配套基础设施 latent-briefing有前提：需要可控的 worker 运行时 + 兼容模型，不是所有 Agent 平台都支持；是较高级的优化技巧long-horizon-prompting参考实现："GPT-5.6 Sol Ultra Cycle Double Cover prompt"是外部参考，skill 内并未直接包含该 prompt 原文；按 skill 内指引自行设计bdi-mental-states较新：涉及 RDF → BDI 形式化转换，有学术背景门槛，不适合纯入门用户；但对可解释性要求高的系统很有价值- 17 个 skills 的内容深度不一：prompt-only 和带脚本的 skill 都有，阅读前先了解 skill 类型
与同类对比
| 方案 | 深度方向 | 学术引用 | 技能数量 | 实践性 |
|---|---|---|---|---|
| muratcankoylan/Agent-Skills | Context Engineering 系统论 | ✅ 顶会引用 | 17 | 偏方法论+框架 |
| lingzhi227/agent-research-skills | 学术研究全链路 | ❌ | 31 | 偏脚本+流程 |
| 各通用提示词合集 | 宽泛 | ❌ | 不等 | 碎片化 |
Context Engineering 是比 Prompt Engineering 更深一层的学科——这套 skills 填补了"为什么 AI 会分心/健忘/幻觉"背后的系统性质疑，适合想从源头理解 Agent 系统工作原理的工程师和研究人员。相比 lingzhi227 的学术写作工具包，这个仓库更偏基础设施和方法论。
一句话推荐结论
如果你在构建生产级 Agent 系统，这套 skills 提供了从 context 基础理论到 harness 自优化的完整知识体系，被顶会论文引用是其学术价值的直接背书。
最小可跑命令
# 依赖：Claude Code（Plugin Marketplace 支持）
# 硬件/CUDA：无要求（纯方法论 Skills，不跑模型推理）
# 1. 添加 Plugin Marketplace
/plugin marketplace add muratcankoylan/Agent-Skills-for-Context-Engineering
# 2. 安装插件
/plugin install context-engineering@context-engineering-marketplace
# 3. 验证安装（重启 Claude Code 后在对话中验证斜杠命令）
# 输入 /context-fundamentals 或 /multi-agent-patterns 测试
# 4. 查看所有可用 skills：
# 基础：context-fundamentals / context-degradation / context-compression
# 架构：multi-agent-patterns / long-horizon-prompting / memory-systems
# tool-design / filesystem-context / hosted-agents
# 运营：context-optimization / latent-briefing / evaluation
# advanced-evaluation / harness-engineering / self-improvement-loops
# 方法：project-development
# 认知：bdi-mental-states
原始来源：GitHub README · arXiv:2601.21557（北京大学，2025）· Agent Harness Engineering: A Survey（CMU 等，2026）· DeepWiki
不确定处：long-horizon-prompting 中提到的"GPT-5.6 Sol Ultra Cycle Double Cover prompt"为外部参考，skill 内并未直接包含该 prompt 原文；bdi-mental-states 的 RDF 转换实操细节建议以仓库内 skill 文件为准；17 个 skills 的具体内容以仓库实际文件为准。