企业官网建设流程全解析

Agent Skills for Context Engineering：以 17 个 Agent Skill 与研究者操作系统构建生产级 Agent 系统

【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering

本文基于仓库根目录的 README.md 展开，系统讲解这个上下文工程（Context Engineering）技能集合解决什么问题、包含哪些技能、如何安装到 Claude Code / Cursor / Codex 等平台，以及仓库内建的研究者操作系统（Researcher OS）如何用确定性门禁和可复现的路由基准来持续演进整个技能库。读完后，你应能独立完成技能插件安装、单技能目录级部署，并理解技能激活路由的评测方法与数据含义。

什么是上下文工程：一个受限的注意力预算

README 开篇给出的定义是：上下文工程（Context Engineering）是管理语言模型上下文窗口的学科。它不同于提示词工程（Prompt Engineering）只关注"如何写好指令"，而是面向进入模型有限注意力预算的全部信息做整体策展：系统提示词、工具定义、检索文档、消息历史、工具输出。

其核心挑战在于：上下文窗口的约束不是原始 token 容量，而是注意力机制。随着上下文长度增加，模型会呈现可预测的退化模式——"lost-in-the-middle"（中间信息被忽略）、U 形注意力曲线、注意力稀缺。有效的上下文工程，就是找到"能最大化期望结果概率的最小高信号 token 集合"。

这个概念在基础技能 context-fundamentals 中被进一步形式化：对 n 个 token，注意力机制需要计算 n 平方量级的两两关系；模型主要用较短序列训练，导致有效容量远低于标称窗口大小。该技能还给出了四条组装配上下文的原则：

1. 信息性优于穷尽性——只包含对当前决策重要的内容，并设计可按需检索的系统；
2. 位置感知放置——把关键约束放在上下文的开头和结尾（注意力最强的位置）；
3. 渐进式披露——启动时只加载技能名和摘要，激活时才加载全文；
4. 迭代策展——上下文工程不是一次性写提示词的练习，而是每次向模型传递内容时都要应用的持续纪律。

该仓库已被两篇学术工作引用为静态技能架构（static skill architecture）的基础性参考，相关论述指出：静态技能已被广泛认可，而动态演化技能则开始桥接"人工技能工程"与"自主自我改进"。

17 个技能的分层地图

仓库根目录下 skills/ 包含 17 个技能目录，按五个层次组织。这个分层本身就是 README 的"核心骨架"：从概念认知，到架构模式，到运行优化，再到开发方法论与认知架构。

基础技能（Foundational Skills）

为所有后续工作建立概念基础：

架构技能（Architectural Skills）

覆盖构建有效 Agent 系统的模式与结构：

运维技能（Operational Skills）

面向 Agent 系统的持续运行与优化：

开发方法论（Development Methodology）

认知架构（Cognitive Architecture Skills）

根目录的 SKILL.md 是整个集合的入口元数据文件：它声明了集合的name: context-engineering-collection、激活时机（从零构建 Agent 系统、优化性能、调试上下文失败、设计多智能体架构等六类场景），并以一段话为每个技能给出"一句话心智模型"，供 Agent 在做技能发现时快速判断路由。

设计哲学：三条原则如何落到文件结构

README 给出三条设计原则，每一条都能在仓库中找到对应的实体约束。

1. 渐进式披露（Progressive Disclosure）。启动时 Agent 只加载技能名称和描述；只有当某个技能被相关任务激活时才加载全文。从源码结构看，这一原则由SKILL.md的 frontmatter 承载：每个技能的文件头都含name与description两个字段（例如 skills/context-fundamentals/SKILL.md 的 description 不仅说明"做什么"，还显式写明"哪些邻近技能拥有相邻工作"），路由信号仅靠这些描述完成——这一点被路由基准实验直接验证（见后文）。

2. 平台无关（Platform Agnosticism）。技能聚焦可迁移的原则而非厂商特定实现，模式适用于 Claude Code、Cursor 以及任何支持技能或自定义指令的 Agent 平台。

3. 概念基础 + 实用示例。示例脚本使用跨环境可用的 Python 伪代码，不依赖特定依赖安装。

与"渐进式披露"配套的硬约束是：SKILL.md正文保持在 500 行以内（贡献规范与技能模板 template/SKILL.md 都明确要求），超出部分必须移入references/目录。此外，模板还要求每个技能显式声明"所有权边界"——描述与When to Activate小节必须说明该技能拥有什么、哪些邻近技能拥有相邻工作，以防止宽泛技能"抢走"狭窄技能的激活。这正是后文路由基准要度量的问题：技能边界混淆。

安装与使用

方式一：Claude Code 插件市场

本仓库是一个Claude Code Plugin Marketplace。市场清单位于 .claude-plugin/marketplace.json，其中定义了市场名context-engineering-marketplace与插件context-engineering，并逐一列出了 17 个技能目录的相对路径；插件本体清单 .plugin/plugin.json 声明"skills": "./skills/"，即宿主从仓库根的skills/目录发现全部技能，当前版本为 2.5.0。

第 1 步：注册市场。在 Claude Code 中执行：

/plugin marketplace add muratcankoylan/Agent-Skills-for-Context-Engineering

第 2 步：安装插件。两种方式任选：

• 方式 A（浏览安装）：选择Browse and install plugins→context-engineering-marketplace→context-engineering→Install now；
• 方式 B（命令直装）：

/plugin install context-engineering@context-engineering-marketplace

安装后，17 个技能作为单个插件装入，并按任务上下文自动激活。

方式二：Cursor / Codex / 其他 Open Plugins 宿主

仓库同时以 Open Plugins 插件形式发布：宿主读取.plugin/plugin.json，发现仓库根skills/目录（每个子目录含一个SKILL.md）。

• Cursor（推荐）：从插件目录安装，或克隆仓库后指向插件根；Cursor 通过 Open Plugins 清单发现skills/目录。项目级手动安装时，把技能目录复制进.cursor/skills/。README 特别提醒：不要依赖仓库符号链接，它们在 Windows 和插件打包场景下很脆弱。
• Codex / GitHub Copilot CLI / 其他 Open Plugins 宿主：克隆仓库或将其作为插件目录添加，宿主读取.plugin/plugin.json后自动发现全部 17 个技能；项目级手动安装时复制到.codex/skills/或宿主文档指定的 Agent Skills 目录。

方式三：单独安装某个技能（目录布局是关键）

Agent Skills 要求的是目录布局而非单个 markdown 文件。以context-fundamentals为例：

# Cursor 项目 mkdir -p .cursor/skills cp -R skills/context-fundamentals .cursor/skills/ # Claude Code 项目级安装（同样的目录布局） mkdir -p .claude/skills cp -R skills/context-fundamentals .claude/skills/ # Codex 项目级安装 mkdir -p .codex/skills cp -R skills/context-fundamentals .codex/skills/ # 通用 Agent Skills 仓库级安装（Codex/OpenAI、Copilot CLI、Open Plugins 宿主） mkdir -p .agents/skills cp -R skills/context-fundamentals .agents/skills/

这里有一个明确的反模式：不要把SKILL.md拍平成.claude/skills/context-fundamentals.md单文件。那会破坏相对references/路径的解析，并违反 Cursor、Claude Code、Codex 共同使用的 Agent Skills 目录规范。

方式四：自研实现

从任意技能中提取原则与模式，在自己的 Agent 框架中重新实现——技能被刻意设计为平台无关，这正是其可移植性的来源。

技能激活场景：何时该激活哪个技能

README 用一张完整的激活表约束了每个技能的路由语义。这张表与路由基准的"expected_primary_skill"标签直接对应，是整个评测体系的地面真值来源：

值得注意的细节：context-fundamentals的 SKILL.md 中用"Do not activate"块显式把操作性工作路由给其他技能（调试注意力失败 →context-degradation，token 效率 →context-optimization，会话摘要 →context-compression，文件卸载 →filesystem-context，项目形态 →project-development）。这种"边界声明式描述"不是文档装饰，而是路由模型实际消费的路由信号。

完整系统示例：多技能协同的落地案例

examples/ 目录包含 6 个完整系统设计，展示多个技能如何协同工作。每个示例都带完整 PRD（含架构决策）、技能映射（哪些概念影响了每个决策）与实现指导：

其中 digital-brain-skill 是"技能原则 → 系统架构"的可追溯范例：3 级渐进披露加载（SKILL.md → 模块文件 → 数据文件）、6 个独立模块、以 schema 优先行的 JSONL 追加式记忆、4 个整合自动化工具；其 HOW-SKILLS-BUILT-THIS.md 把每个架构决策逐条映射回具体技能原则。llm-as-judge-skills 则提供带测试的 TypeScript 参考实现（直接评分、带位置偏差缓解的成对比较、评分表生成、组合全部能力的 EvaluatorAgent），核心实现位于 examples/llm-as-judge-skills/src。book-sft-pipeline 展示两级重叠切块、15+ 提示词模板防止记忆化，以及用现代场景测试区分"风格迁移 vs 内容背诵"的验证方法。

Researcher Operating System：把研究转化为可审计的技能变更

如果只是静态的技能合集，这个仓库只是"文集"。researcher/ 目录定义了一套基于文件的操作系统，让仓库成为"复利式真相源"（compounding source of truth）：持续发现可信来源 → 按评分表评估 → 提取可落地的机制（而非泛泛结论）→ 映射到新技能/技能更新/仅参考笔记 → 门禁通过后准备可审查的 PR。该目录刻意保持文件化，Agent 无需托管调度器即可检查、续跑、审计工作。

生命周期与核心组件

运行生命周期为：discover -> triage -> evaluate -> extract -> map -> draft -> validate -> prepare-pr -> human-merge。README 列出的组件清单：

• 来源注册表（researcher/source-registry.md）：优先级来源、排除规则、监控查询；
• 评分表（researcher/rubrics/）：内容策展、技能变更、harness 变更、成对技能修订四份门禁评分表；
• 机制注册表（researcher/mechanisms/registry.jsonl 加ledgers/）：16 个已接受的行为变更作为首要新颖性信号，配以追加式（append-only）的接受/拒绝台账作为机构记忆；
• 声明溯源（researcher/claims/index.jsonl）：12 条带来源 URL、证据强度、易变性与最近审阅日期的溯源声明——这也解释了技能正文中(claim-*)内联 ID 的用途：数值、基准或厂商性能声明必须有溯源记录支撑，否则应弱化措辞或移入带日期的参考材料；
• 语料索引（researcher/corpus/index.json）：技能、激活场景、机制 ID、声明 ID 的规范机器可读映射；
• 运行状态机（researcher/runs/<run-id>/run-state.json）：initialized -> retrieved -> evaluated -> proposed -> novelty_checked -> validated -> pr_ready -> closed；
• 激活回归测试（researcher/fixtures/activation-cases.jsonl）：19 条确定性提示词，专门捕捉技能边界混淆；
• 对抗基准（researcher/benchmarks/）：试图"钻循环空子"的场景——重复机制、未检索证据、错误的评分表计算、自我批准的评分表修改、弱证据新颖性；
• 连续循环（researcher/scripts/ 中loop_*.py加 researcher/orchestration/launchd/）：收件箱、来源发现、一次一状态推进、每日运维、停放审查队列与 launchd 服务定义；
• 技能健康门（researcher/scripts/skill_health.py）：确定性的正文质量评分，当前严格语料得分为 0.9117，0 个被标记技能。

运行参数集中在 researcher/orchestration/config.json：loop_step_minutes: 10（每 10 分钟推进一步）、loop_discover_hours: 12（每 12 小时发现一轮）、loop_daily_hour_utc: 6（每日 6 点 UTC 运维），并设置了max_active_runs: 3、max_runs_per_day: 6、max_parked: 12、max_failures_per_day: 5等预算上限。从配置文件结构看，mode目前为dry-run，付费 LLM 通道被保留给未来的评审/综合用途。

操作者命令

先一次性安装校验依赖：

python3 -m pip install -r requirements-dev.txt

requirements-dev.txt 目前只含pyyaml，因此本地门禁的额外负担很轻。随后是全部确定性命令：

# 确定性门禁（也在 CI 中对每个 PR 执行） python3 -m unittest researcher.scripts.tests.test_skill_frontmatter python3 researcher/scripts/validate_platform_compat.py --require-reference-validator python3 researcher/scripts/validate_repo.py --strict python3 researcher/scripts/skill_health.py --strict --no-history python3 researcher/scripts/run_benchmarks.py python3 researcher/scripts/check_activation_cases.py # 单运行就绪检查（仅活跃运行） python3 researcher/scripts/validate_run.py --run-dir researcher/runs/<run-id> # 连续循环，手动触发 python3 researcher/scripts/loop_discover.py python3 researcher/scripts/loop_step.py --allow-fetch python3 researcher/scripts/loop_daily.py python3 researcher/scripts/loop_status.py # 连续循环，守护进程（macOS） researcher/orchestration/launchd/install.sh # 安装 launchd 任务（10 分钟步进、12 小时发现、每日运维） researcher/orchestration/launchd/uninstall.sh # 移除 launchd 任务

守护进程的详细预算与人工审查面见 researcher/runbooks/continuous-operation.md。

四条硬保证

• 循环从不调用付费 LLM、不做出站写入；HTTP 检索仅用标准库，1.5 MB 上限、30 秒超时；
• 机制晋升要求记录在案的人工审阅者 + 通过运行就绪检查；
• 所有队列变更都是原子的（临时文件 +os.replace），并经fcntl锁串行化；
• Agent 可以在门禁通过后准备 PR，但合并与推送始终由人控制——该目录中不存在任何授权自动合并的流程。

路由基准：描述就是路由信号

技能路由（决定"给定任务是否加载了正确的技能"）被端到端基准化：通过 Cursor SDK（researcher/benchmarks/sdk-runner/，要求 Node >= 20）对 4 个前沿模型执行三轮完整扫描——50 条提示词 × 4 模型 × 3 次重复 = 每轮 600 次调用。三轮发布的完整报告在 researcher/benchmarks/router/results-published/：

• 基线：2026-05-15.md
• 定向描述重写后：2026-05-15-v2.md（含相对基线的增量）
• 全语料硬化后：2026-05-19.md（600/600 可用记录，0 格式失败）

方法论上有两个关键细节（见 2026-05-19 报告）：每次提示词与 15 个技能激活描述以确定性打乱顺序呈现，且不加载任何技能全文（settingSources: []），唯一的 routing 信号就是提示词内的描述——这直接验证了"描述即路由信号"的设计；置信区间为 2000 次重采样的 95% bootstrap。

数据标记出的三个技能的描述重写增益：

全语料硬化后的分模型 Top-1 / Top-3 准确率：

2026-05-19 报告的混淆矩阵显示：context-optimization、filesystem-context、harness-engineering、hosted-agents、latent-briefing、memory-systems、multi-agent-patterns、project-development在该轮扫描中全部满分，剩余失败集中在已知的模糊边界——无匹配技能负控提示词、一条真正歧义的评估类提示词，以及context-fundamentals作为"兜底"技能的天然宽边界。要精确复现这些数字，运行器提供的命令是（详见报告"Reproducibility"一节）：

cd researcher/benchmarks/sdk-runner npm install export CURSOR_API_KEY=<your-key> node --experimental-strip-types src/runRouter.ts --models claude-opus-4-7,composer-2,gemini-3.1-pro,gpt-5.5 --reps 3 --seed 1 --max-budget-usd 15 python3 ../../scripts/render_router_report.py \ --results ../router/results/<date>-<seed> \ --fixture ../router/prompts.jsonl \ --output ../router/results-published/<date>.md

这套"描述 → 基准 → 重写 → 再基准"的闭环，把 README 中"渐进式披露"从设计口号变成了可测量、可回归的工程指标。

仓库结构与技能目录规范

每个技能遵循 Agent Skills 规范，目录结构为：

skill-name/ ├── SKILL.md # 必需：指令 + 元数据 ├── scripts/ # 可选：演示概念的可用代码 └── references/ # 可选：附加文档与资源

规范模板在 template/ 目录。对照模板可以看到，一个合格技能正文的标准小节是：When to Activate（含"不激活"边界块）、Core Concepts、Detailed Topics、Practical Guidance、Examples、Guidelines、Gotchas（经验型失败模式，模板称之为"任何技能中信号最高的内容"）、Integration（用纯文本而非链接引用相关技能，避免跨目录引用问题）与References（技能内部引用使用相对于技能自身的./references/...路径），文件尾附创建/更新日期、作者与版本号元数据。仓库级辅助文件包括：AGENTS.md 与 CLAUDE.md（给 Agent 的工作约定）、docs/ 目录下的背景研究笔记（agentskills、compression、gemini/claude research 等）、CHANGELOG.md（版本演进记录）。

贡献约定与许可

仓库遵循 Agent Skills 开放开发模式，贡献要求：遵循技能模板结构；提供清晰可执行的指令；在合适处给出可运行的示例；记录权衡与潜在问题；将SKILL.md保持在 500 行以内以保证性能。仓库使用 MIT 许可（见 LICENSE），技能中的原则源自头部 AI 实验室与框架开发者的研究与生产经验，每个技能都附带支撑其建议的研究与案例参考。

小结

这个仓库的价值密度体现在三层：17 个技能目录（skills/）提供了从上下文解剖到自改进 harness 的可直接安装的知识体系；examples/提供了 6 个多技能协同的完整系统设计作为"技能 → 架构"的映射证明；researcher/则用确定性门禁、机制/声明注册表、连续循环与可复现的路由基准，让整个语料库的每次变更都有据可查、可回归验证。对构建生产级 Agent 系统的开发者而言，既可以按激活场景表把技能装入自己的 Agent 平台，也可以直接参照 Researcher OS 的门禁设计，为自己的提示词/技能语料库建立同样的演进质量保障。

【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering