再分享一个驯服 Code Agent 的实用技巧！在用 Cline/Cursor/Windsurf 处理大型需求时，与 AI 的多轮对话会遇到两个问题： - 上下文积累导致： - AI 效果变差 - token 用量暴涨，费用激增 💸 - 历史错误内容污染后续对话经过实践，我总结了一套"双文档"方案： 1. 准备两个文档（直接让 AI 生成）： - 任务文档：记录需求和整体规

#code Agent #AI多轮对话 #双文档方案 #token费用 #上下文管理

相关新闻

ginobefun

1个月前

Anthropic 再发 Agent 神文：像人类工程师一样思考，解决「长程任务」难题 Anthropic 双 Agent 架构通过功能列表、增量提交与端到端测试，解决 AI Agent 长程任务上下文管理与持续性难题。 #AI Agent #长程任务 #Agent架构

[email protected]

2个月前

🎉 “AI编程的本质是管理上下文” 这句话太有用了，它能解释AI应用的发展过程和未来趋势如果说LLM是CPU，那么上下文就是内存，而内存容量是有限的，数据的取舍成为了模型输出质量的关键 ❓ 那上下文这个内存中会存什么？分别该怎么优化？ 1️⃣ 系统提示词优化就是以前提示词工程那套，所以优秀提示词的核心要素必须得安排。但提示词工程已不再新鲜，上下文工程才是热门，所有AI应用都在跟

宝玉

2个月前

我个人是不喜欢用 spec-kit，不是好的上下文工程： - 小项目没必要 - 大项目描述不清楚 - 一大坨文档反而占用上下文影响生成 - 文档不保持及时更新反而会误导 Agent 好的上下文管理是针对当前上下文引导 Agent 找到合适的刚刚好的上下文，而不是不管三七二十一塞给它十几个文档！

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2个月前

LLM客户端并无真正的“长期记忆”，而是通过“结构化存储 + 动态重构prompt”的方式模拟记忆。长会话上下文的核心任务在于取舍与压缩： •哪些历史内容保留？ •哪些内容通过摘要或检索再现？ •如何让prompt在token限制下仍保持语义连续？设计RAG，agent多轮对话，或者多agent与LLM交互，也要过类似LLM客户端上下文管理这一关！否则就是RAG猜，agent演，然后老板

Rainman

2个月前

不知道是最近太急于求成了，使用code agent 的效果并不佳。我感觉还是我头脑中对整体的项目的架构设计缺乏概念。