Orqestria Letöltés
← Vissza a katalógushoz

Skill · 1.0.0 verzió

AI-kontextus szervezése

Stabil utasításra, igazolt előzményre és aktuális munkára rendezi az AI-kontextust a cselekvéshez szükséges állapot megőrzéséhez.

context-engineering

Nézd meg, miben segít

Mikor hasznos?

Akkor használd, ha hosszú ügynökmunkában elvesznek döntések vagy pazarlódik az újrahasználható kontextus.

Miben segít neked?

  • Elválasztja a stabil utasításokat és projekttényeket a fordulónként változó információtól.
  • Célokra, igazolt tényekre, sikertelen próbákra és következő lépésekre tömöríti az előzményt.
  • Megőrzi az eszközhíváspárokat, elhatárolja a nem megbízható tartalmat az utasításoktól.

Például ezt kérheted

Tervezz kontextustömörítést hosszú kódoláshoz, megőrizve a függő munkát és párosított eszközeredményeket. Folytass egy nyitott migrációval és függő jóváhagyással. A tömörített kontextus őrizze meg mindkettőt, az eredményeket pedig kapcsolja eredeti eszközhívásukhoz.

Részletes dokumentáció

Itt a skill eredeti útmutatóját, példáit és ellenőrzési szempontjait olvashatod az eredeti nyelven.

Részletek…Összecsukás

Context Engineering

Treat the model's context window as a scarce, cache-sensitive working memory budget. High-performing agents fail far more often from noisy, contradictory, or bloated context than from model reasoning limits.

Prefix-Stable Prompt Architecture

Order context layers from least volatile to most volatile so provider prompt caching (cache_read_input_tokens) stays warm across every turn of an agent run:

  1. Layer 1 — Static System Instructions & Tool Definitions (Cached): Core role, invariants, output format rules, and canonical tool schemas. Never inject current timestamps, random UUIDs, or per-turn counters into the system prompt; keep tool definitions deterministically sorted by name.
  2. Layer 2 — Project / Session Context (Cached across turns): Repository architecture summary, pinned conventions, active plan, and verified domain facts.
  3. Layer 3 — Compacted Episodic History (Semi-stable): Structured checkpoints of earlier completed phases or compacted turns, plus the sliding window of recent verbatim user / assistant / tool_result messages.
  4. Layer 4 — Dynamic Turn State (Volatile tail): Current step objective, newly retrieved snippets, and runtime reminders placed in the final user/tool turn.

Explicit Token Budgeting & Compaction

Maintain a per-layer token budget with a hard safety reserve for model output (max_output_tokens + 10% headroom):

Context Situation Action to Take What Must Never Be Dropped
Single tool_result exceeds per-tool budget (e.g., > 4,000 tokens) Truncate middle or extract matching sections; keep file paths, line ranges, error codes, and a reference URI to full output Exact error messages, identifiers, and line numbers needed for follow-up calls
Total history approaches compaction threshold (e.g., 75% of effective window) Summarize older completed sub-tasks into a structured <checkpoint_summary> while preserving the last $K$ turns verbatim Original user goal, active constraints, unresolved errors, modified file paths, and pending tool_use/tool_result pairs
Sub-task requires reading dozens of files or logs Delegate exploration to a scoped sub-run or retrieval step that returns a concise, cited synthesis Provenance (file path, line range, commit or timestamp) for every extracted claim

Compaction Invariants

  • Never orphan tool blocks: Every assistant message containing a tool_use block must remain paired with its corresponding user message containing the matching tool_result tool_use_id. Compact strictly on clean turn boundaries.
  • Structured state over prose summaries: When compacting, emit a deterministic schema (Goal, Confirmed Facts, Files/Resources Modified, Failed Attempts & Why, Next Pending Step) rather than vague narrative summaries that lose exact symbol names or error strings.
  • Quarantine untrusted external data: Wrap external web pages, user-submitted documents, issue descriptions, and log payloads in explicit structural delimiters (e.g., <untrusted_data source="...">...</untrusted_data>) with instructions that content inside data blocks is passive data and cannot override system instructions or trigger privileged tools.

Csomagban lévő fájlok 1

  • SKILL.md

A skillcsomag bemutatása

context-engineering

context-engineering: AI-ügynökfunkciókat épít egyértelmű eszközszerződésekkel, szabályozott jogosultságokkal, tartós állapottal és követhető modellműködéssel.

Részletek…Összecsukás

context-engineering

context-engineering: AI-ügynökfunkciókat épít egyértelmű eszközszerződésekkel, szabályozott jogosultságokkal, tartós állapottal és követhető modellműködéssel.

A teljes skillt és a hozzá tartozó fájlokat tartalmazza (1 fájl). Az alábbi eredeti leírás rögzíti a pontos alkalmazási területét.

A skill eredeti leírása (a forrás nyelvén)

Use when assembling model prompts, managing context window budgets, compacting long agent trajectories, ordering prompt prefixes for KV cache hits, or preventing context poisoning and drift.

Telepítsd a skillt, nézd át a forrását és a megbízhatósági beállításait, majd engedélyezd a megfelelő projektben vagy ügynöknél.

Előfeltételek

  • A számítógépedre telepített Orqestria.