Anthropic工程师手把手教你上下文管理套路，从最基础的文件到高级的“做梦”架构，半小时就能上手实操。
Anthropic的Lamis在2026年AI DevCon上分享了上下文工程实践，从Claude MD文件起步，发现其效果出奇地好（unreasonably effective）。第二步引入记忆工具，让Agent自主读写，效果优于人类。第三步Skills采用渐进式披露，类似书架取书。第四步文件系统用bash和grep搜索，不需要向量数据库。生产环境面临多Agent并发写入等问题，Anthropic提出版本控制、并发控制等四个原则。最后介绍“做梦”机制：异步批量分析会话记录，识别模式并调整上下文，已在生产中运行，降低token成本。
周末窝在家里，花半小时学习它吧！ 别光刷短视频， 看下Anthropic的上下文管理的视频！ 20…
周末窝在家里，花半小时学习它吧！ 别光刷短视频， 看下Anthropic的上下文管理的视频！
2026年AI DevCon上，Anthropic的Lamis做了一场关于上下文工程的演讲。
整场演讲浓缩了过去一年Anthropic在上下文管理上的所有实践，从最简单的方案到最前沿的架构。
从Claude MD文件开始。
一个纯Markdown文件，放在会话开头，告诉Agent代码库结构、组织信息、个人偏好。
效果出奇地好：Anthropic的原话是"unreasonably effective"。（效果惊人出奇的好）
但问题也明显：文件越来越长，上下文膨胀，管理困难。
第二步是记忆工具。
让Agent自主决定何时读取、何时写入、何时更新记忆。全部在带内完成，也就是在会话上下文中进行。
Anthropic发现，在这种场景下，自主性运作得非常好。Agent比人类更擅长判断什么值得记住。
第三步是Skills。
核心思想是渐进式披露。
Agent只看文件顶部几行前言，决定是否需要加载整个文件。
Lamis的比喻很精准：就像房间里有一个书架，每次有人跟我说话，我扫一眼书单，看有没有相关书籍，然后取下来读。 不需要提前把所有知识塞进上下文。
第四步是文件系统。
把记忆系统建模为普通文件系统，用Markdown文件填充，Agent用bash和grep搜索。
不需要花哨的向量数据库，不需要专门的工具——Agent本来就擅长操作文件系统。
但当这些方案扩展到生产环境，问题就来了。
多个Agent同时写入同一个记忆文件怎么办。一个Agent写入错误信息到组织级上下文，所有Agent都会受影响。记忆过时了怎么办。
有人通过提示词注入向记忆中写入恶意内容怎么办。
Anthropic给出的解决方案是四个原则：版本控制（能回滚）、并发控制（哈希校验）、权限管理（组织级只读、个人级可写）、可移植性（干净的API，跨系统访问）。
然后是最有意思的部分：做梦。
带内记忆有一个根本性局限：Agent既要完成任务，又要管理记忆，这是两个竞争性目标。
而且Agent只能看到当前会话的信息，无法识别跨会话的模式。
做梦是一个带外的异步处理过程。
它取一段时间内的所有会话记录，交给一个专门的Agent分析。
这个Agent查看记忆存储，识别模式，提出更改建议。比如：所有地理学生都答错了同一个问题:说明课程中缺少了某个主题。
所有数学考试的答案都用弧度制而不是角度制,说明工具配置有问题。
做梦本质上是一个批量处理的"校长"，审查所有"学生"的作业，发现问题，调整"课程"。
它有自己的专用资源，不和任务执行竞争上下文。
Anthropic已经在生产中运行这套系统。
他们发现：Agent第二次执行任务时做得更好，成本降低（因为能一次性完成），延迟下降。
做梦的额外token消耗被任务本身的效率提升抵消了。
最后Lamis说了一句话值得记住：上下文工程是过去一年才真正发展起来的领域。
模型智能本身不会产生复利:它需要上下文来执行你交给它的具体任务。
而上下文工程的效果是倍增智能，即使模型本身变得更聪明，这个投资依然有价值。