{"id":"8591e388-67b0-4221-a857-3cc2b8a521fa","shortId":"rVKQGw","kind":"skill","title":"ai-native-context-engineering","tagline":"'AI Native 产品方法论——上下文工程的实操 Skill。","description":"# AI Native 上下文工程 Skill\n\n## 使用场景\n\n- 产品需要组织复杂的输入信息交给模型\n- 需要设计可解释、可替换、可治理的上下文组织方案\n- 需要避免\"上下文太少—AI不知道自己在做什么\"或\"上下文太多—AI被噪音淹没\"\n\n## 核心概念\n\n- **上下文工程（Context Engineering）**：把任务所需信息按正确顺序、粒度和边界组织给模型的产品化能力\n- **提示词**：上下文中的一小部分，通常只负责角色、任务或格式约束\n- **动态拼装**：根据用户、任务、权限和状态，为每次调用临时组装所需上下文\n- **上下文层次**：目标层、规则层、知识层、记忆层和状态层等不同信息层\n\n## 为什么上下文工程是核心能力\n\n传统软件的行为主要由代码逻辑决定，而 AI 系统的行为会显著受到上下文影响。相同的模型，在没有背景资料、缺少角色信息、拿不到历史状态的情况下，很可能给出完全不同的结果。\n\n很多 AI 产品问题的本质，并不是模型不够强，而是上下文组织不对。\n\n## 上下文工程流程\n\n```\n任务进入\n  → 目标识别\n    → 上下文层选择\n      → 动态拼装\n        → 生成 / 行动\n          → 结果校验与纠偏\n```\n\n一旦上下文层选择错误，后面的生成质量、工具调用和风险边界都会整体失真。\n\n## 上下文的五个层次\n\n### 1. 目标层\n\n- 用户现在到底想完成什么\n- 例如：\"查询订单状态\"、\"申请退货\"、\"了解售后政策\"\n\n### 2. 规则层\n\n- 这个任务有哪些约束、边界和权限\n- 例如：不能承诺赔付、不能暴露其他用户信息、必须保留人工接管点\n\n### 3. 知识层\n\n- 系统需要引用哪些资料、文档、行业规则\n- 例如：售后政策文档、物流规则、商品说明\n\n### 4. 状态层\n\n- 当前流程进行到哪里，已经做过什么\n- 例如：当前会话已提供订单号、已解释过的内容\n\n### 5. 记忆层\n\n- 与用户或历史案例相关的长期背景\n- 例如：用户偏好某种解释风格、过去类似问题的处理方式\n\n这几层不是每次都全部打开，而是要根据任务动态拼装。\n\n## 上下文工程的四个目标\n\n1. **选择真正相关的信息**：不是把所有信息都塞进去\n2. **用模型易于理解的方式组织信息**：顺序、结构、格式\n3. **在有限窗口内控制上下文成本**：令牌消耗、延迟\n4. **随任务阶段动态更新上下文内容**：不是固定模板\n\n## 动态拼装原则\n\n好的上下文不是固定模板，而是动态拼装：\n\n- 根据用户角色决定哪些规则层可见\n- 根据任务类型决定哪些知识层需要\n- 根据当前状态决定哪些状态层包含\n- 根据历史交互决定哪些记忆层激活\n\n## 常见失败模式\n\n### 上下文太少\n\n- AI 不知道自己在做什么\n- 结果偏题、幻觉、给出表面正确但实际不可用的结果\n\n### 上下文太多\n\n- AI 被噪音淹没\n- 重要信息被淹没在不相关的内容中\n- 成本飞涨、延迟增加\n\n### 层次混乱\n\n- 把规则、知识、状态、记忆混在一起\n- AI 无法区分哪些是约束、哪些是参考\n\n### 时效失效\n\n- 使用了过期的规则或状态\n- 结果在错误的世界观里工作\n\n## 输出物：上下文工程方案\n\n1. **上下文层次设计**：目标层、规则层、知识层、状态层、记忆层的定义和分工\n2. **动态拼装规则**：根据任务类型、用户角色、当前状态决定哪些层激活\n3. **窗口与成本策略**：如何在有限窗口内优化信息密度\n4. **失败检测规则**：如何判断上下文是否足够、是否过期、是否混乱\n5. **更新与维护机制**：上下文模板如何版本化、如何测试、如何回滚\n\n## 使用方式\n\n当用户提供任务场景时，自动执行：\n\n1. 识别任务目标\n2. 定义上下文五个层次\n3. 设计动态拼装规则\n4. 制定窗口与成本策略\n5. 设计失败检测规则\n6. 设计更新与维护机制\n7. 输出上下文工程方案\n\n## 示例\n\n### 示例：AI 客服上下文工程设计\n\n**场景描述**：\nAI 客服系统需要为不同咨询类型动态组织上下文，既要包含足够信息，又要避免信息过载。\n\n**用户输入**：\n\"我们的 AI 客服有时候给出的回答前后矛盾，有时候明明用户已经说了订单号，AI又问一遍\"\n\n**Skill 执行流程**：\n\n1. **任务目标识别**\n\n```yaml\n用户咨询类型: \"物流延误解释\"\n用户意图: 了解为什么订单还没到，什么时候能到\n用户情绪: 轻度焦虑（从用词判断）\n```\n\n2. **上下文层选择**\n\n| 层次 | 内容 | 是否包含 | 原因 |\n|------|------|----------|------|\n| 目标层 | 查询物流状态+解释延误 | ✅ | 核心任务 |\n| 规则层 | 物流规则、赔付政策边界 | ✅ | 约束回复 |\n| 知识层 | 物流公司合作政策、常见问题 | ✅ | 提供解释素材 |\n| 状态层 | 已提供的订单号、已解释的内容 | ✅ | 避免重复询问 |\n| 记忆层 | 用户偏好简洁解释 | ✅ | 个性化风格 |\n\n3. **动态拼装示例**\n\n```yaml\n# 最终输入给模型的上下文\n\nsystem_prompt: |\n  你是电商平台客服助手。\n  任务：帮助用户理解订单物流状态，提供准确的延误解释和预计时间。\n\n目标层:\n  用户问题: \"我的订单怎么还没到？已经等了一周了\"\n  咨询类型: 物流延误解释\n  用户情绪: 轻度焦虑\n\n规则层:\n  - 必须先核实具体的物流信息，不能泛泛而谈\n  - 延误超过7天的订单，可主动提供补偿方案\n  - 不可承诺具体的送达时间，只能提供预计范围\n  - 涉及赔付的必须转人工确认\n  - 保持安抚但专业的语气\n\n知识层（检索到的相关资料）:\n  [1] 物流合作方延误常见原因说明\n  [2] 当前地区物流积压情况（官方公告）\n  [3] 历史类似案例的有效安抚话术\n\n状态层（当前会话）:\n  订单号: 123456789\n  物流状态: 运输中，当前在XX中转站\n  最新轨迹: 2024-01-10 到达XX中转站（已停留3天）\n  已解释内容: 无（首次询问）\n  已提供的安抚: 无\n\n记忆层:\n  用户偏好: 简洁直接（基于历史会话）\n```\n\n4. **成本与窗口控制**\n\n```yaml\n总Token数: 约800 tokens\n  - 系统提示: 100 tokens\n  - 目标层: 100 tokens  \n  - 规则层: 150 tokens\n  - 知识层: 300 tokens（检索Top3）\n  - 状态层: 100 tokens\n  - 记忆层: 50 tokens\n\n优化策略:\n  - 知识层只取Top3最相关结果\n  - 规则层优先显示高优先级约束\n  - 状态层自动去重（避免重复信息）\n  \n成本控制:\n  - 单次调用成本: ~$0.01\n  - 响应时间: ~1.5s\n```\n\n5. **失败检测规则**\n\n```yaml\n检测项:\n  - 上下文缺失: 检查是否包含必要的状态信息\n  - 信息冲突: 检查规则层是否有矛盾约束\n  - 上下文过期: 检查物流信息是否为最新（<24小时）\n  - Token超限: 如果>2000 tokens，触发压缩策略\n    \n自动纠偏:\n  - 如果缺少订单号 → 先询问订单号，不进入主流程\n  - 如果物流信息过期 → 触发实时查询更新\n  - 如果Token超限 → 只保留最核心的规则和知识\n```\n\n**输出结果**：\n\n```yaml\n# 上下文工程方案：AI 客服\n\n上下文层次定义:\n  \n  目标层:\n    内容: [用户原始问题, 意图识别结果, 情绪分析, 咨询类型]\n    来源: 实时分析\n    优先级: 最高\n    \n  规则层:\n    内容: [业务规则, 权限边界, 禁用操作, 语气要求]\n    来源: 规则引擎（按咨询类型加载）\n    优先级: 高\n    \n  知识层:\n    内容: [检索到的相关资料, 案例, FAQ]\n    来源: RAG检索（Top K=3）\n    优先级: 中\n    更新: 实时检索\n    \n  状态层:\n    内容: [订单信息, 会话历史, 已解释内容, 已承诺事项]\n    来源: 记忆系统\n    优先级: 高\n    生命周期: 当前会话\n    \n  记忆层:\n    内容: [用户偏好, 历史问题模式]\n    来源: 长期记忆\n    优先级: 低\n\n动态拼装策略:\n  \n  标准咨询（如物流查询）:\n    包含: 目标层 + 规则层 + 知识层(Top2) + 状态层\n    平均长度: ~600 tokens\n    \n  复杂咨询（如售后纠纷）:\n    包含: 全部5层\n    平均长度: ~1000 tokens\n    \n  简单咨询（如活动规则）:\n    包含: 目标层 + 知识层(Top1) + 规则层（简化）\n    平均长度: ~400 tokens\n\n质量保证:\n  - Token预算: 最大1500 tokens，超预算则压缩知识层\n  - 重复检测: 自动去重（如订单号已明确不再重复放入）\n  - 时效检测: 物流信息>24小时则触发更新\n  - 冲突检测: 规则层如有矛盾，优先显示高优先级规则\n```","tags":["context","engineering","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-p6-context-engineering","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p6-context-engineering","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (3,966 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:33.104Z","embedding":null,"createdAt":"2026-05-01T01:03:00.897Z","updatedAt":"2026-05-18T18:57:33.104Z","lastSeenAt":"2026-05-18T18:57:33.104Z","tsv":"'-01':301 '-10':302 '0.01':346 '1':73,113,161,189,220,285 '1.5':348 '100':321,324,334 '1000':452 '123456789':295 '150':327 '2':80,116,168,191,231,287 '2000':363 '2024':300 '24小时':360 '24小时则触发更新':475 '3':88,121,173,193,256,290,410 '300':330 '4':97,125,176,195,314 '400':463 '5':104,181,197,350 '50':337 '6':199 '600':445 '7':201 'ai':2,6,11,49,57,137,143,153,205,208,214,377 'ai-native-context-engin':1 'ai不知道自己在做什么':22 'ai又问一遍':217 'ai被噪音淹没':25 'context':4,28 'engin':5,29 'faq':405 'k':409 'nativ':3,7,12 'prompt':261 'rag检索':407 'skill':10,14,218 'skill-p6-context-engineering' 'source-gmaxxxie' 'system':260 'token':319,322,325,328,331,335,338,364,446,453,464,468 'token超限':361 'token预算':466 'top':408 'top1':459 'top2':442 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'yaml':222,258,316,352,375 '一旦上下文层选择错误':69 '上下文中的一小部分':33 '上下文太多':24,142 '上下文太少':21,136 '上下文层次':41 '上下文层次定义':379 '上下文层次设计':162 '上下文层选择':64,232 '上下文工程':13,27 '上下文工程方案':160,376 '上下文工程流程':61 '上下文工程的四个目标':112 '上下文工程的实操':9 '上下文模板如何版本化':183 '上下文的五个层次':72 '上下文缺失':354 '上下文过期':358 '不可承诺具体的送达时间':279 '不是固定模板':127 '不是把所有信息都塞进去':115 '不知道自己在做什么':138 '不能承诺赔付':85 '不能暴露其他用户信息':86 '不能泛泛而谈':276 '不进入主流程':369 '与用户或历史案例相关的长期背景':106 '业务规则':392 '个性化风格':255 '中':412 '为什么上下文工程是核心能力':46 '为每次调用临时组装所需上下文':40 '了解为什么订单还没到':226 '了解售后政策':79 '产品方法论':8 '产品问题的本质':58 '产品需要组织复杂的输入信息交给模型':16 '什么时候能到':227 '从用词判断':230 '令牌消耗':123 '任务':38,263 '任务或格式约束':35 '任务目标识别':221 '任务进入':62 '优先显示高优先级规则':478 '优先级':388,399,411,423,433 '优化策略':339 '会话历史':418 '传统软件的行为主要由代码逻辑决定':47 '低':434 '你是电商平台客服助手':262 '使用了过期的规则或状态':157 '使用场景':15 '使用方式':186 '例如':76,84,93,101,107 '保持安抚但专业的语气':282 '信息冲突':356 '先询问订单号':368 '全部5层':450 '内容':234,381,391,402,416,428 '冲突检测':476 '到达xx中转站':303 '制定窗口与成本策略':196 '动态拼装':36,65 '动态拼装原则':128 '动态拼装示例':257 '动态拼装策略':435 '动态拼装规则':169 '包含':438,449,456 '单次调用成本':345 '历史类似案例的有效安抚话术':291 '历史问题模式':430 '原因':236 '又要避免信息过载':211 '只保留最核心的规则和知识':373 '只能提供预计范围':280 '可主动提供补偿方案':278 '可替换':18 '可治理的上下文组织方案':19 '后面的生成质量':70 '咨询类型':270,385 '响应时间':347 '哪些是参考':155 '售后政策文档':94 '商品说明':96 '在有限窗口内控制上下文成本':122 '在没有背景资料':52 '场景描述':207 '基于历史会话':313 '复杂咨询':447 '失败检测规则':177,351 '好的上下文不是固定模板':129 '如何判断上下文是否足够':178 '如何回滚':185 '如何在有限窗口内优化信息密度':175 '如何测试':184 '如售后纠纷':448 '如果':362 '如果token超限':372 '如果物流信息过期':370 '如果缺少订单号':367 '如活动规则':455 '如物流查询':437 '如订单号已明确不再重复放入':472 '官方公告':289 '定义上下文五个层次':192 '实时分析':387 '实时检索':414 '客服':378 '客服上下文工程设计':206 '客服有时候给出的回答前后矛盾':215 '客服系统需要为不同咨询类型动态组织上下文':209 '层次':233 '层次混乱':148 '工具调用和风险边界都会整体失真':71 '已停留3天':304 '已承诺事项':420 '已提供的安抚':308 '已提供的订单号':250 '已经做过什么':100 '已经等了一周了':269 '已解释内容':305,419 '已解释的内容':251 '已解释过的内容':103 '帮助用户理解订单物流状态':264 '常见失败模式':135 '常见问题':247 '平均长度':444,451,462 '并不是模型不够强':59 '幻觉':140 '延误超过7天的订单':277 '延迟':124 '延迟增加':147 '当前会话':293,426 '当前会话已提供订单号':102 '当前在xx中转站':298 '当前地区物流积压情况':288 '当前流程进行到哪里':99 '当前状态决定哪些层激活':172 '当用户提供任务场景时':187 '很可能给出完全不同的结果':55 '很多':56 '必须保留人工接管点':87 '必须先核实具体的物流信息':275 '总token数':317 '情绪分析':384 '意图识别结果':383 '成本与窗口控制':315 '成本控制':344 '成本飞涨':146 '我们的':213 '我的订单怎么还没到':268 '或':23 '执行流程':219 '把任务所需信息按正确顺序':30 '把规则':149 '拿不到历史状态的情况下':54 '按咨询类型加载':398 '提供准确的延误解释和预计时间':265 '提供解释素材':248 '提示词':32 '文档':91 '无':306,309 '无法区分哪些是约束':154 '既要包含足够信息':210 '时效失效':156 '时效检测':473 '是否包含':235 '是否混乱':180 '是否过期':179 '更新':413 '更新与维护机制':182 '最大1500':467 '最新轨迹':299 '最终输入给模型的上下文':259 '最高':389 '有时候明明用户已经说了订单号':216 '权限和状态':39 '权限边界':393 '来源':386,396,406,421,431 '查询物流状态':238 '查询订单状态':77 '标准咨询':436 '核心任务':240 '核心概念':26 '根据任务类型':170 '根据任务类型决定哪些知识层需要':132 '根据历史交互决定哪些记忆层激活':134 '根据当前状态决定哪些状态层包含':133 '根据用户':37 '根据用户角色决定哪些规则层可见':131 '格式':120 '案例':404 '检查是否包含必要的状态信息':355 '检查物流信息是否为最新':359 '检查规则层是否有矛盾约束':357 '检测项':353 '检索top3':332 '检索到的相关资料':284,403 '涉及赔付的必须转人工确认':281 '物流信息':474 '物流公司合作政策':246 '物流合作方延误常见原因说明':286 '物流延误解释':224,271 '物流状态':296 '物流规则':95,242 '状态':151 '状态层':98,166,249,292,333,415,443 '状态层自动去重':342 '生命周期':425 '生成':66 '用户偏好':311,429 '用户偏好某种解释风格':108 '用户偏好简洁解释':254 '用户原始问题':382 '用户咨询类型':223 '用户情绪':228,272 '用户意图':225 '用户现在到底想完成什么':75 '用户角色':171 '用户输入':212 '用户问题':267 '用模型易于理解的方式组织信息':117 '申请退货':78 '目标层':42,74,163,237,266,323,380,439,457 '目标识别':63 '相同的模型':51 '知识':150 '知识层':44,89,165,245,283,329,401,441,458 '知识层只取top3最相关结果':340 '示例':203,204 '禁用操作':394 '窗口与成本策略':174 '简化':461 '简单咨询':454 '简洁直接':312 '粒度和边界组织给模型的产品化能力':31 '系统提示':320 '系统的行为会显著受到上下文影响':50 '系统需要引用哪些资料':90 '约800':318 '约束回复':244 '结构':119 '结果偏题':139 '结果在错误的世界观里工作':158 '结果校验与纠偏':68 '给出表面正确但实际不可用的结果':141 '缺少角色信息':53 '而':48 '而是上下文组织不对':60 '而是动态拼装':130 '而是要根据任务动态拼装':111 '自动去重':471 '自动执行':188 '自动纠偏':366 '行业规则':92 '行动':67 '被噪音淹没':144 '规则层':43,81,164,241,274,326,390,440,460 '规则层优先显示高优先级约束':341 '规则层如有矛盾':477 '规则引擎':397 '解释延误':239 '触发压缩策略':365 '触发实时查询更新':371 '订单信息':417 '订单号':294 '记忆层':105,253,310,336,427 '记忆层和状态层等不同信息层':45 '记忆层的定义和分工':167 '记忆混在一起':152 '记忆系统':422 '设计动态拼装规则':194 '设计失败检测规则':198 '设计更新与维护机制':200 '识别任务目标':190 '语气要求':395 '质量保证':465 '赔付政策边界':243 '超预算则压缩知识层':469 '轻度焦虑':229,273 '输出上下文工程方案':202 '输出物':159 '输出结果':374 '边界和权限':83 '过去类似问题的处理方式':109 '运输中':297 '这个任务有哪些约束':82 '这几层不是每次都全部打开':110 '选择真正相关的信息':114 '通常只负责角色':34 '避免重复信息':343 '避免重复询问':252 '重复检测':470 '重要信息被淹没在不相关的内容中':145 '长期记忆':432 '随任务阶段动态更新上下文内容':126 '需要设计可解释':17 '需要避免':20 '顺序':118 '首次询问':307 '高':400,424","prices":[{"id":"c7c4e5cd-87d8-4c0b-848f-b58618b1fa76","listingId":"8591e388-67b0-4221-a857-3cc2b8a521fa","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:03:00.897Z"}],"sources":[{"listingId":"8591e388-67b0-4221-a857-3cc2b8a521fa","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p6-context-engineering","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p6-context-engineering","isPrimary":false,"firstSeenAt":"2026-05-01T01:03:00.897Z","lastSeenAt":"2026-05-18T18:57:33.104Z"}],"details":{"listingId":"8591e388-67b0-4221-a857-3cc2b8a521fa","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p6-context-engineering","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"ac474bab95a7f9ce20516d38107a7423a3cd9292","skill_md_path":"skills/p6-context-engineering/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p6-context-engineering"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"ai-native-context-engineering","description":"'AI Native 产品方法论——上下文工程的实操 Skill。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p6-context-engineering"},"updatedAt":"2026-05-18T18:57:33.104Z"}}