# 上下文的所有文章

在 HTX 新聞中心流覽與「上下文」相關的最新資訊與深度分析。潘蓋市場趨勢、專案動態、技術進展及監管政策,提供權威的加密行業洞察。

Agentic Design Patterns:一本让我重新理解"Agent 到底是什么"的书

《Agentic Design Patterns》一书由Google工程总监Antonio Gullí撰写,系统性地将AI Agent开发拆解为21种设计模式。文章作者阅读后,对Agent的本质有了更深刻的理解。 书中将Agent划分为四个等级:Level 0仅为裸LLM,不具备行动能力,并非真正的Agent;Level 1能自主调用工具完成任务;Level 2具备战略规划与上下文工程能力,能对信息进行裁剪和降噪,并进行自我反思;Level 3则是多智能体协作,像团队一样分工合作。 文章重点阐述了几个核心概念: 1. **上下文工程**:超越提示词工程,系统地为Agent构建包括系统指令、外部数据、隐式信息和反馈回路在内的四层上下文环境,以提升其准确性和效率。 2. **反思模式**:采用“生产者-批评者”双智能体模式,让一个智能体负责创作,另一个负责审查和提出修改意见,通过迭代循环显著提升输出质量,但需设置合理的迭代次数以控制成本。 3. **多智能体协作**:并非越复杂越好,应根据任务复杂度选择合适的通信拓扑结构(如独立执行、对等网络、中心调度等)。通常,一个达到Level 2的单智能体加上反思机制已能应对大多数场景。 4. **记忆三层模型**:分为会话层(临时对话上下文)、状态层(任务进行中的临时数据)和持久层(跨会话的长期记忆),需要设计相应的存储与检索策略。 书末还提出了对未来Agent发展的五个假设,其中最颠覆的是“变形多智能体”:系统能根据最终目标自动创建、调整、重组智能体团队,实现完全自主的任务规划与执行。 作者建议读者可立即实践三点:为现有智能体增加一个“批评者”角色以进行审查;开始实践系统的上下文工程而非仅关注提示词;优先将单智能体能力提升至Level 2,而非盲目追求多智能体系统。 这本书的价值在于,它将许多开发者在实践中摸索的经验系统化、模式化,为AI Agent开发提供了一份清晰的“地图”。

链捕手05/25 04:42

Agentic Design Patterns:一本让我重新理解"Agent 到底是什么"的书

链捕手05/25 04:42

一周省下3亿Token,Anthropic工程师的Claude Code缓存指南

这篇文章分享了Anthropic工程师通过有效利用Claude Code的Prompt缓存机制,一周内节省超过3亿Token的经验。核心观点是,缓存的Token成本仅为普通输入的10%,因此提高缓存复用率能显著降低使用成本并延长会话额度。 缓存机制依赖“前缀匹配”,分为系统层、项目层和对话层三层。只要会话前缀与已缓存内容一致,Claude即可直接复用,无需重新处理。Claude Code订阅版的缓存有效时间(TTL)为1小时,而API默认为5分钟。 文章强调了几个关键的使用习惯以避免“打断”缓存: 1. 不要让会话空置超过1小时,否则缓存过期,重新开始成本更低。 2. 切换任务时,建议进行清晰的会话交接(如使用自定义的handoff技能总结进度后新建会话),而非使用可能破坏缓存的`/compact`命令。 3. 避免在会话中途切换模型(包括开启“Opus plan”模式),因为不同模型使用独立缓存,切换会导致缓存失效。 4. 大文档应放入Projects中管理,而非反复粘贴进对话,以获得更好的缓存优化。 此外,文章提到Anthropic内部会监控缓存命中率,因为这直接影响服务成本和用户体验。通过理解并遵循这些简单的原则,用户可以在不改变使用习惯的情况下,更高效地利用Claude Code,节省Token消耗。

marsbit05/24 00:36

一周省下3亿Token,Anthropic工程师的Claude Code缓存指南

marsbit05/24 00:36

如何用30天成为Claude高阶用户?

本文提供了一个为期30天的Claude进阶使用教程,旨在帮助用户将Claude从一个临时的问答工具,转变为能够理解用户、持续产出高效成果的智能工作助手。教程按周划分,逐步构建个人专属的工作系统。 **第一周:掌握基础能力** 核心是学习撰写结构清晰的Prompt,包含角色、背景、任务、格式和限制条件五个部分。理解上下文窗口的概念,将关键信息前置。最后,设置至少三个专项Projects(如主要工作、研究分析、写作沟通)并开启Memory功能,让Claude记住用户的背景与偏好,奠定个性化基础。 **第二周:搭建核心工作流** 创建可复用的流程模板,覆盖研究、写作和决策三大常见场景。例如,研究流程可快速分析资料并生成报告;写作采用先提纲后全文的两步法,确保方向正确;决策流程则能系统化地分析选项与利弊。这些工作流能将重复性工作自动化,显著提升效率。 **第三周:实现自主与自动化** 通过Claude Cowork功能,让Claude能在指定文件夹内自主读取、处理文件和执行多步骤任务。连接Google Drive、Slack等外部工具,扩展其能力。设置定时自动化任务(如每日计划生成、周报整理),使Claude从被动工具转变为能主动工作的系统。 **第四周:系统优化与积累** 回顾并优化所有工作流,根据输出反馈迭代Prompt,追求稳定高质量。建立个人知识库,保存历史优质产出供后续项目调用,实现知识复利。通过教会他人来巩固自身理解。最终,规划完整的个人Claude操作系统蓝图,明确所需工作流、工具连接和使用节奏,并定期迭代。 遵循此路径,用户能在30天内构建一个深度理解自身需求、能自主运行并持续优化的工作系统,从而将时间专注于更具创造性和战略性的任务上,真正成为Claude的高阶用户。

marsbit05/20 08:06

如何用30天成为Claude高阶用户?

marsbit05/20 08:06

AI时代,入职如何不再「从零交接」

本文以作者加入Ramp公司的入职经历为切入点,探讨了在AI时代企业如何解决新员工“从零开始”的漫长适应期问题。文章指出,高速运转的公司不能依赖新人缓慢阅读文档和询问同事来获取上下文,而AI工具若各自为战,也无法发挥真正价值。 核心观点在于,企业需要构建一个持续更新、可信赖的“公司大脑”——一个系统化的知识底座。这个系统应自动吸收并沉淀会议记录、文档、Slack讨论、客户反馈和产品决策等所有内部信号,使其成为新员工和各类AI Agent统一、可随时查询的上下文来源。 作者分享了自己在Ramp前100天的实践:建立以Obsidian为核心、由Claude驱动的个人知识库,集成会议转录、笔记等内容;利用工具自动化归档信息;并在此基础上开发能自动生成会议议程、提炼产品动态等小型技能库。这些组件共同构成了一个可扩展的上下文层。 文章强调,当前企业AI应用多停留在为特定任务构建孤立“聊天机器人”的阶段,缺乏一个共享的、理解公司整体运作的“大脑”。真正的转型在于优先构建这个上下文基础设施,让入职、AI协作乃至客户接入都能从同一套丰富的背景知识开始,从而极大提升效率,让“快速上手”成为常态。 最终目标是,当“熟悉业务”这个阶段因其成本极低而不再被特别提及时,就意味着企业成功建立了高效的知识交接与复用系统。

marsbit05/17 06:03

AI时代,入职如何不再「从零交接」

marsbit05/17 06:03

你的 Claude 今晚要做梦了,别打扰它

Anthropic在开发者大会上为AI智能体平台引入了“做梦”(Dreaming)功能,这实际上是一种基于历史运行日志的离线批处理与自我优化机制。AI智能体在完成复杂任务后,会利用闲置时间自动回顾大量操作记录,从中提炼有效模式(例如更优的操作路径),并固化为可共享的记忆,从而提升后续任务效率。 类似机制也出现在其他AI产品中,如Hermes Agent的“Curator”功能可自动将经验整理成“Skill”,OpenClaw的“做梦”流程则细分为浅睡、快速眼动和深睡三个阶段,通过多维度加权决定哪些信息应存入长期记忆。 该功能与“记忆”(Memory)技术紧密相关。当前AI能力的核心挑战之一是如何有效管理与利用不断增长的上下文信息。一方面,行业正通过技术创新(如Subquadratic公司宣称的1200万token超长上下文模型)试图扩大信息容量;另一方面,“做梦”这类功能旨在让AI在有限上下文窗口内,主动筛选、巩固重要信息,模仿人类睡眠中的记忆处理过程。 文章指出,科技公司频繁使用“思考”“记忆”“做梦”等拟人化术语来描述AI功能,这不仅是技术类比,更是一种营销策略和认知塑造。它模糊了机器与人的边界,影响用户对产品的感知与期待,并在无形中转移了技术缺陷的责任归属。本质上,AI的“做梦”仍是一种消耗计算资源的自动化数据处理,但其命名方式却让我们更倾向于将其视为拥有内在生命的数字实体。

marsbit05/11 00:15

你的 Claude 今晚要做梦了,别打扰它

marsbit05/11 00:15

活动图片