核心指数 上下文质量 5/5 · 抗污染 5/5
多个系统实践都把 Context Engineering 列为核心。它不是写长 prompt，而是决定当前任务需要哪些系统规则、用户目标、工具证据、记忆、历史轨迹和输出契约。
每个当天会被提问或用于练习的术语，先给通俗释义，再给专业释义，避免题目超出当天知识点。
通俗释义：不是把 prompt 写长，而是只放当前任务真正需要的规则、证据、记忆和输出格式。
专业释义：对模型输入窗口进行目标、约束、检索证据、记忆、工具状态、历史摘要和输出契约的选择、压缩、排序与隔离。
当天检查：能把一个任务压缩成 objective/constraints/evidence/output contract。
参考脉络：OpenAI prompt/context guidance / 12-factor agents
通俗释义：把长聊天和工具日志压成一张接手卡，保留决策和证据。
专业释义：长任务中将历史轨迹压缩为目标、已完成、关键决策、证据链接、风险和下一步状态，以控制上下文窗口和污染。
当天检查：能把 20 条日志压成可继续执行的 handoff card。
参考脉络：12-factor agents / production agent handoff practice
通俗释义：把大模型变成可控助手的“运行外壳”：负责给目标、喂上下文、调工具、记状态、验结果和控成本。
专业释义：围绕 LLM 的运行时工程层，组合 context builder、tool runtime、state machine、policy/guardrail、eval/trace 与成本延迟控制，使模型能力可产品化。
当天检查：能指出一个 Agent 功能中哪些属于模型层，哪些属于 Harness 层。
参考脉络：OpenAI Agents guide / Anthropic effective agents / 12-factor agents
通俗释义：把“上下文必须有用途”先理解成今天要掌握的一种工程判断：它帮助你决定系统该如何稳定完成任务。
专业释义：上下文必须有用途 是 Agent Harness 课程中的专项能力点，需要从定义、输入输出、工程边界、失败模式、指标与验证方式六个角度掌握。
当天检查：能用自己的话解释 上下文必须有用途，并把它映射到 AI Digest / Hermes / 学习平台中的一个真实环节。
参考脉络：课程内置知识点；当天需结合 AI Digest 或真实系统案例验证
通俗释义：把“临时状态不能默认变长期记忆”先理解成今天要掌握的一种工程判断：它帮助你决定系统该如何稳定完成任务。
专业释义：临时状态不能默认变长期记忆 是 Agent Harness 课程中的专项能力点，需要从定义、输入输出、工程边界、失败模式、指标与验证方式六个角度掌握。
当天检查：能用自己的话解释 临时状态不能默认变长期记忆，并把它映射到 AI Digest / Hermes / 学习平台中的一个真实环节。
参考脉络：课程内置知识点；当天需结合 AI Digest 或真实系统案例验证
通俗释义：把“长上下文需要压缩和排序”先理解成今天要掌握的一种工程判断：它帮助你决定系统该如何稳定完成任务。
专业释义：长上下文需要压缩和排序 是 Agent Harness 课程中的专项能力点，需要从定义、输入输出、工程边界、失败模式、指标与验证方式六个角度掌握。
当天检查：能用自己的话解释 长上下文需要压缩和排序，并把它映射到 AI Digest / Hermes / 学习平台中的一个真实环节。
参考脉络：课程内置知识点；当天需结合 AI Digest 或真实系统案例验证
多个系统实践都把 Context Engineering 列为核心。它不是写长 prompt，而是决定当前任务需要哪些系统规则、用户目标、工具证据、记忆、历史轨迹和输出契约。
它在 Agent Harness 中连接“目标/约束、上下文、工具、状态、验证、运营指标”这些层。学习时要问：这一层负责限制什么风险？它把哪类不确定性变成了可观察、可恢复、可评估的工程对象？
目标 → 约束 → 状态 → 证据 → 记忆检索 → 压缩 → 输出协议
今天围绕“Context Engineering：主题里的核心基本功”建立一个可复用的工程判断：先能定义它解决什么问题，再能指出它在 Agent Harness 中位于哪一层，最后能用一个真实系统环节验证它是否有效。多个系统实践都把 Context Engineering 列为核心。它不是写长 prompt，而是决定当前任务需要哪些系统规则、用户目标、工具证据、记忆、历史轨迹和输出契约。 学习时不要只记名词，要把它和状态、工具、上下文、评估、成本或安全边界中的至少一项连接起来。
我会把上下文当作运行时状态管理问题，而不是文案问题。
目标 → 约束 → 状态 → 证据 → 记忆检索 → 压缩 → 输出协议
把一条真实用户任务压缩成 12 行 context card，分事实/假设/证据/禁区。
完成标准：能解释 prompt engineering 与 context engineering 的区别，并给出污染案例。
多角色协作只有在边界清晰、可评估、可回归时才值得引入。