上下文工程：Harness 的记忆管理

上下文工程 > 提示工程

单轮提示词 optimization 是初级问题；Agent 场景的核心矛盾是：任务越干越长，而窗口永远有限。上下文工程（Context Engineering）决定每一轮"给模型看什么"。

四种基本策略

• 装配（Assembly）：系统规则 + 工具清单 + 关键记忆 + 当前任务的固定骨架，动态部分只换"弹药"；
• 压缩（Compaction）：历史快满时，用模型把旧对话压缩成摘要，保留结论与未完成事项（Claude Code 的 auto-compact 就是这个）；
• 外置（Externalization）：大块信息不进窗口，写进文件/数据库，只留指针，要用时再按需读取 —— "文件系统就是外部记忆"；
• 隔离（Isolation）：子任务交给子 Agent 在独立窗口里干，只把结论带回主对话，避免中间噪音污染主线。

什么时候用什么

• 信息后续还要用但很大 → 外置成文件；
• 信息只需短期参考 → 留在窗口；
• 历史超过窗口 70% → 触发压缩；
• 子任务探索空间大（如全局搜索）→ 隔离给子 Agent。

与站内知识的连接

这套思想你已经见过：Memory 课程的窗口/摘要策略 = 压缩；RAG = 按需外置检索；多轮对话 RAG 的查询凝练 = 隔离前的信息蒸馏。Harness 只是把这些从"单点技巧"组合成了"运行时记忆体系"。

评估一个 Harness 好不好，就问一句：任务跑到第 50 步时，模型还能看到最重要的事实吗？