搜索
本篇文章根据我在本月 43 Talks 线下活动中的分享整理而成。主理人李继刚邀请我时，给的主题词只有一个：Context。我想从 Agent 的视角出发，讨论一个判断：随着模型和 Harness 逐步趋同，真正决定 Agent 能力边界的，会越来越是 Context。
我们相信，常驻型 (always-on) AI 助理的下一次飞跃，不在于把某一个模型单点调得更聪明，而在于扩展智能体的上下文 (Scaling Agent Context)—— 不断拓宽助理能够持续 "感知 — 推理 — 执行" 的范围，作为生活连接器连接用户的信息孤岛，直到它能接管用户的整个数字世界。
LLM Agent 做长任务时，真正让人头疼的往往不是模型不会推理，而是上下文开始失控：前几步还很清楚，后面就忘约束、丢状态、重复试错，最后把任务跑成事故现场。
Lucius 是一家做企业级 AI 员工的公司，但创始人赵赫不太喜欢「AI 员工」这个标签。他更愿意说，Lucius 做的是企业的 Context Layer，一套让 Agent 能够进入组织、理解现场、遵守边界、持续调度任务的组织调度系统。
欢迎大家尝试前不久GitHub的日榜榜首项目——Claude Context。通过在AI coding场景引入混合检索，Claude Context相比使用grep的原生 Claude Code 能大幅提升检索精度和效率，减少约 40% 的 不必要Token 消耗。
最近，Cursor 也发表了一篇文章《Dynamic context discovery》，分享了他们是怎么做上下文管理的。结合 Manus、Cursor 这两家 Agent 领域头部团队的思路，我们整理了如何做好上下文工程的一些关键要点。
过去的 2025 年，对于检索增强生成（RAG）技术而言，是经历深刻反思、激烈辩论与实质性演进的一年。
扩散语言模型（Diffusion Language Models）以其独特的 “全局规划” 与并行解码能力广为人知，成为 LLM 领域的全新范式之一。然而在 Any-order 解码模式下，其通常面临
最近半年，我阅读了业界关于 AI Agent 的工程实践：Anthropic 的 Context Engineering 论文、Manus 的工程分享、Cline 的 Memory Bank 设计等。同时自己也一直在做跟 AI Agent 相关的项目，如：Jta[1]（开源的翻译 Agent，基于 Agentic Workflow）。
在几天前，上海交大发布了一篇名为 《上下文工程2.0：上下文工程的上下文》（Context Engineering 2.0: The Context of Context Engineering） 的重磅论文。