從理論到落地Agent Skills for Context Engineering 在 Digital Brain 中的實踐映射全解【免費下載鏈接】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.項目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering導讀本文以 examples/digital-brain-skill/SKILLS-MAPPING.md 為主線系統拆解Agent Skills for Context Engineering倉庫中的上下文工程理論Attention Budget、Progressive Disclosure、Append-Only Logs 等是如何被映射進 Digital Brain——一個面向內容創作者、build in public 創始人與技術從業者的 AI 輔助個人操作系統。讀完本文你將掌握如何用三層漸進披露架構控制 Agent 的上下文開銷、如何用 JSONL 追加日志構建結構化記憶、如何通過模塊隔離與 Just-In-Time 加載把單任務上下文從約 5000 token 壓縮到約 300400 token以及如何在個人數據系統中用四種文件格式各司其職地承載數據、敘事、配置與提示詞。一、Digital Brain 與 Skills Mapping 的定位Digital Brain 是倉庫examples/digital-brain-skill/下的一個完整 Skill 實現其 SKILL.md 定義它為用于管理數字形象、知識、關系與目標的個人操作系統。而SKILLS-MAPPING.md則是這座系統的工程藍圖——它不重復講述功能而是回答一個更關鍵的問題倉庫skills/目錄下那七大類上下文工程技能究竟如何在 Digital Brain 的真實文件結構與數據流中被兌現。整份映射文檔圍繞五個來源技能展開來源技能倉庫skills/目錄在 Digital Brain 中的核心落點context-fundamentals整體架構Attention Budget、漸進披露、高信號 tokenmemory-systems記憶層JSONL 追加日志、結構化召回、情景/語義記憶tool-design自動化層agents/scripts/下的自包含 Python 腳本context-optimization加載策略模塊隔離、Just-In-Time 加載、引用深度context-degradation防御機制上下文腐化、過期上下文、沖突指令的緩解下文按此五個維度逐一展開并在每個維度同時給出理論原則 → 文件落地 → 源碼佐證三層證據。二、Context Fundamentals用注意力預算與漸進披露控制上下文2.1 三個核心概念的落地context-fundamentals技能的三個概念在 Digital Brain 中被映射為具體機制概念理論含義Digital Brain 的落地方式Attention Budget注意力預算LLM 的上下文窗口是稀缺資源應只加載與當前任務相關的內容模塊隔離保證按需加載創作內容任務只加載identity/voice.md約 200 行網絡任務只加載contacts.jsonl永遠不整體加載全部數據Progressive Disclosure漸進披露信息分層呈現僅在需要時披露下一層三層加載架構L1 是 SKILL.md 元數據L2 是各模塊指令文件IDENTITY.md、CONTENT.md等L3 才是數據文件.jsonl/.yaml/.md每層只在需要時加載High-Signal Tokens高信號 token用盡可能小的高信號 token 集合最大化期望結果出現的概率JSONL schema 只保留必要字段voice.md只聚焦可辨識模式標志性短語、反模式而不是堆砌 Claude 本就熟知的通用寫作建議2.2 設計決策原文Find the smallest possible set of high-signal tokens that maximize the likelihood of some desired outcome.這條設計決策的落地形態很具體voice.md記錄的是標志性短語signature phrases與絕不使用的詞never use而非泛泛的風格指南。對應地在 identity/IDENTITY.md 的 Agent 指令中可以看到同樣的執行要求Match the energy level, vocabulary, and structural patternsAvoid words/phrases listed in never use section。三、Memory Systems以追加日志構建持久記憶3.1 四類記憶的映射memory-systems技能的四類記憶概念在 Digital Brain 中各有明確載體概念Digital Brain 應用Append-Only Logs所有.jsonl文件只追加不刪除狀態變更通過status: archived表達絕不物理刪除從而保留完整歷史供事后分析Structured Recall跨文件保持一致的 schema 以支持模式匹配contact_id字段把 network/contacts.jsonl 與 network/interactions.jsonl 關聯起來Episodic Memoryinteractions.jsonl記錄離散事件一次通話、一次咖啡posts.jsonl記錄發布內容及表現指標供回溯分析Semantic Memoryknowledge/bookmarks.jsonl 通過category與標簽支持按主題檢索3.2 設計決策原文Agents maintain persistent memory files to track progress across complex sequences.具體落地在 operations/metrics.jsonl每周快照不斷累積做趨勢分析時無需從原始數據重算。這與weekly_review.py的analyze_metrics()函數完全對應——它直接讀取operations/metrics.jsonl并取最新一條metrics[-1]作為本周指標基線。3.3 源碼佐證追加日志的實際讀取方式agents/scripts/weekly_review.py 的load_jsonl()函數揭示了追加日志的讀取約定def load_jsonl(filepath): Load JSONL file, skipping schema lines. items [] if not filepath.exists(): return items with open(filepath, r) as f: for line in f: line line.strip() if not line: continue try: data json.loads(line) # Skip schema definition lines if _schema not in data: items.append(data) except json.JSONDecodeError: continue return items從源碼可以看出兩條約定其一JSONL 首行通常是_schema定義行讀取時必須跳過這也是 SKILLS-MAPPING 校驗清單中JSONL 文件首條必須是 schema 行的來源其二腳本對損壞行采取寬容跳過策略except json.JSONDecodeError: continue保證追加寫入過程中斷行不會拖垮整個讀取流程。四、Tool Design把處理邏輯關進腳本只把結果交給 Agent4.1 三個原則的落地tool-design技能強調工具應自包含、無歧義、token 高效概念Digital Brain 應用Self-Contained Toolsagents/scripts/ 下每個腳本都是獨立 Python 文件、只做一件事weekly_review.py生成周報stale_contacts.py找出被冷落的關系Clear Input/Output腳本從固定已知路徑讀取數據向 stdout 輸出結構化文本除顯式文檔說明外不產生副作用Token Efficiency腳本內部完成數據處理后只把摘要結果交給 Agent——Agent 拿到的是結論而非原始數據處理邏輯4.2 設計決策原文Tools should be self-contained, unambiguous, and promote token efficiency.落地示例是content_ideas.py它在內部分析書簽bookmarks與歷史帖子只把可行動的建議返回給 Agent而不是把分析過程全部灌進上下文。4.3 源碼佐證腳本如何踐行只輸出結果agents/scripts/content_ideas.py 的入口對自包含與參數化同時給出了示范if __name__ __main__: parser argparse.ArgumentParser(descriptionGenerate content ideas) parser.add_argument(--pillar, -p, helpFilter by content pillar) parser.add_argument(--count, -c, typeint, default5, helpNumber of ideas to show) args parser.parse_args() print(generate_suggestions(args.pillar, args.count))其內部流程完美對應自包含原則get_top_performing_content()讀取content/posts.jsonl按likes comments*2 reposts*3的加權公式排序出表現最好的內容主題get_recent_bookmarks()讀取knowledge/bookmarks.jsonl并可選按 pillar 過濾get_undeveloped_ideas()篩出status raw的未開發想法。三個數據源都在腳本內部被消化最終輸出的是建議 提示語形式的可行動文本。同樣agents/scripts/stale_contacts.py 用按圈子circle配置的閾值表實現找出該聯系但還沒聯系的人# Thresholds by circle (in days) THRESHOLDS { inner: 14, # 2 weeks active: 30, # 1 month network: 60, # 2 months dormant: 180 # 6 months (for potential reactivation) }它把聯系人劃分為urgent超過閾值 1.5 倍、due超過閾值、coming_up超過閾值 0.75 倍三檔按last_contact時間戳判斷冷熱度。這份閾值表正是映射文檔中stale_contacts.py主動暴露需要關注的弱關系的底層實現。五、Context Optimization模塊隔離與 Just-In-Time 加載5.1 三個策略的落地context-optimization技能解決的是如何避免上下文膨脹概念Digital Brain 應用Module Separation六個模塊identity/、content/、knowledge/、network/、operations/、agents/相互隔離防止交叉污染內容創作永遠不會加載網絡數據Just-In-Time Loading模塊指令文件IDENTITY.md、CONTENT.md、NETWORK.md、OPERATIONS.md、AGENTS.md只在對應模塊相關時才加載Reference Depth主 SKILL.md 鏈接到模塊文檔模塊文檔再鏈接到數據文件任何信息的訪問最多兩跳5.2 設計決策原文Rather than pre-loading all data, maintain lightweight identifiers and dynamically load data at runtime.落地最典型的場景在網絡模塊Agent 先掃描contacts.jsonl匹配聯系人姓名再只針對該聯系人的contact_id加載interactions.jsonl中的特定條目——而不是把全部互動歷史一次性載入。這與 network/NETWORK.md 中Looking up contacts: Search by name, handle, company, or topics的 Agent 指令互為印證。5.3 三層加載架構的規模控制映射文檔給出的上下文預算清晰展示了 Just-In-Time 的價值——在創作內容任務中加載集是加載文件token 估算作用SKILL.md約 50路由/激活判斷identity/IDENTITY.md約 80模塊指令identity/voice.md約 200聲音模式identity/brand.md掃描式加載主題驗證總計約 400 token而整個 brain 全量加載約 5000 token——節省超過一個數量級。在會議準備任務中加載集更是壓縮到約 300 tokenSKILL.mdNETWORK.md 按名字掃描contacts.jsonl 按contact_id過濾interactions.jsonl。六、Context Degradation對上下文腐化的主動防御context-degradation技能關注的是上下文質量隨時間劣化的三類風險Digital Brain 用可量化的機制逐一緩解風險Digital Brain 緩解手段Context Rot上下文腐化模塊隔離給單次加載設上限voice.md保持在 300 行以內JSONL 數據按行流式讀取無需整體解析Stale Context過期上下文contacts.jsonl中的last_contact時間戳stale_contacts.py主動暴露需要關注的弱關系Conflicting Instructions指令沖突每個領域只有一個事實源聲音只在voice.md目標只在goals.yaml杜絕重復定義6.1 設計決策原文As context length increases, models experience diminishing returns in accuracy and recall.對應落地為三組硬性規模約束主 SKILL.md 控制在 200 行以內、每個模塊指令文件控制在 100 行以內、數據一律放在外部文件而非內聯內容。這些上限在 SKILL.md共約 200 行與各模塊文檔的行數上可以得到驗證且被映射文檔末尾的 Verification Checklist 固化為強制校驗項。6.2 源碼佐證時間戳驅動的過期檢測stale_contacts.py中的days_since()函數是對Stale Context 防御的工程化實現——對缺失日期date_str為空返回 999 天作為非常陳舊的兜底對格式錯誤的日期同樣兜底從而保證檢測邏輯永不因臟數據崩潰def days_since(date_str): Calculate days since a date string. if not date_str: return 999 # Very stale if no date try: date datetime.fromisoformat(date_str.replace(Z, 00:00)) return (datetime.now(date.tzinfo) - date).days except (ValueError, TypeError): return 999七、架構決策為什么四種格式各司其職SKILLS-MAPPING 文檔把 Digital Brain 的格式選型明確為四條架構決策這是任何 Agent 數據系統都可復用的模式7.1 為什么日志用 JSONL? 天然追加友好append-only by design ? 流式友好無需完整解析文件逐行讀取 ? 每行一個 schema首行即結構說明 ? Agent 友好標準 JSON 解析 ? 兼容 grep可快速檢索 ? 不適合人類手工編輯配置改用 YAML/MD ? 無事務保證對個人數據可接受7.2 為什么敘事用 Markdown? 人類可讀可編輯 ? 富文本格式表格、列表、代碼 ? Git 友好的 diff ? 通用渲染 適用voice、brand、calendar、todos、templates7.3 為什么配置用 YAML? 層級結構清晰 ? 人類可讀 ? 支持注釋 ? 嵌套數據語法簡潔 適用goals、values、circles、learning7.4 為什么提示詞用 XML? 對 Agent 結構清晰 ? 具名區塊instructions、context、output ? 支持變量占位符 ? 易于校驗 適用content-generation 模板、復雜提示詞這一格式分工貫穿整個 Digital Brainidentity/voice.md 用 Markdown 承載聲音敘事identity/values.yaml 用 YAML 承載價值觀配置identity/prompts/content-generation.xml 用 XML 承載生成模板而ideas.jsonl、posts.jsonl、contacts.jsonl、interactions.jsonl等全部走 JSONL 追加日志。八、Workflow Mappings兩條完整工作流中的技能鏈映射文檔用兩個端到端示例演示了技能鏈 文件加載集如何協同這兩個流程可直接照搬到任何個人 Agent 系統中。8.1 內容創作流程用戶請求Write a post about building in public技能鏈 1. context-fundamentals → 只加載 identity 模塊 2. memory-systems → 從 voice.md 取回聲音模式 3. context-optimization → 不加載 network/operations 4. tool-design → 用內容模板作為結構化腳手架 加載文件 - SKILL.md (約50 token) 路由 - identity/IDENTITY.md (約80 token) 模塊指令 - identity/voice.md (約200 token) 聲音模式 - identity/brand.md (掃描式加載) 主題驗證 總計約400 token vs 全量加載約5000 token對應地content/CONTENT.md 的創作管線給出了配套的文件流轉路徑ideas.jsonl捕獲→drafts/draft_[topic].md開發→ 對照voice.md審查 → 發布 → 帶指標歸檔到posts.jsonl。8.2 關系管理流程用戶請求Prepare me for my call with Alex技能鏈 1. context-fundamentals → 只加載 network 模塊 2. memory-systems → 先查 contacts再查 interactions 3. context-optimization → 按需加載特定聯系人的數據 4. tool-design → 結構化輸出brief 格式 加載文件 - SKILL.md (約50 token) 路由 - network/NETWORK.md (約60 token) 模塊指令 - network/contacts.jsonl (掃描 Alex) 聯系人數據 - network/interactions.jsonl (按 contact_id 過濾) 歷史記錄 總計約300 token 即獲得全部相關上下文這條流程與 network/NETWORK.md 定義的會前四步查聯系人 → 看近期互動 → 查 circles.yaml 關系上下文 → 記錄待辦跟進完全一致其interactions.jsonl的 schema 也給出了可復用的字段設計id、date、contact_id、typecall/coffee/dm/email/event/collab、context、key_points、follow_ups、sentiment。九、權衡取舍與校驗清單9.1 設計權衡一覽決策權衡理由模塊分離文件更多、導航成本更高防止上下文膨脹支持定向加載數據用 JSONL對人類不夠友好為 Agent 解析與追加操作優化不用數據庫無查詢語言簡單、離線可用、零依賴腳本用 Python需要 Python 運行時通用、可讀、易擴展占位符而非示例需要用戶自行填充避免AI 味內容強制個性化最后一條占位符而非示例尤其值得注意Digital Brain 刻意用占位符/模板而非成品示例以規避生成內容千篇一律的AI slop問題這與 identity/prompts/ 下模板的定位一致。9.2 擴展時的校驗清單當你向 Digital Brain 添加新模塊或新文件時按此清單逐項驗證原文完整保留新文件遵循格式約定JSONL/YAML/MD/XML模塊指令文件保持在 100 行以內JSONL 文件首條為 schema 定義行跨模塊引用保持最小化腳本自包含且輸入/輸出清晰每個領域只有唯一事實源不重復定義這六條校驗項與 agents/AGENTS.md 中Custom Script Development新增腳本需遵循現有 JSONL 讀取模式、輸出結構化數據、在本文檔登記形成了文檔層與代碼層的一致約束。十、Related Skills六個來源技能的職責分工技能在 Digital Brain 中的主要應用context-fundamentals整體架構、漸進披露設計context-degradation緩解策略、文件規模上限context-optimization模塊分離、Just-In-Time 加載memory-systemsJSONL 設計、追加日志模式tool-designAgent 腳本、I/O 模式multi-agent-patterns未來方向委托給專門化子 Agent其中multi-agent-patterns被標記為未來方向說明當前 Digital Brain 仍是單 Agent 架構但模塊化的文件系統設計已經為將來把不同模塊委托給專門化子 Agent 預留了清晰的邊界。結語一份可復用的上下文工程落地范式SKILLS-MAPPING 文檔的價值不在于描述 Digital Brain 的功能而在于它示范了一條**理論 → 架構決策 → 文件格式 → 加載策略 → 可執行校驗**的完整推導鏈上下文工程不再是抽象的 prompt 技巧而是被具象為行數上限、token 預算、schema 約定與腳本接口。對任何希望構建Agent 友好的個人知識/關系/內容系統的開發者這都是一份可以直接套用的工程范式——三層漸進披露 JSONL 追加記憶 模塊隔離 自包含腳本 規模上限校驗組合起來就是一套約 300400 token 即可完成單任務的上下文最優系統。本實現證明了理論性上下文工程原則如何轉化為實際的系統設計。【免費下載鏈接】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.項目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 從理論到落地：Agent Skills for Context Engineering 在 Digital Brain 中的實踐映射全解
從理論到落地Agent Skills for Context Engineering 在 Digital Brain 中的實踐映射全解【免費下載鏈接】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.項目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering導讀本文以 examples/digital-brain-skill/SKILLS-MAPPING.md 為主線系統拆解Agent Skills for Context Engineering倉庫中的上下文工程理論Attention Budget、Progressive Disclosure、Append-Only Logs 等是如何被映射進 Digital Brain——一個面向內容創作者、build in public 創始人與技術從業者的 AI 輔助個人操作系統。讀完本文你將掌握如何用三層漸進披露架構控制 Agent 的上下文開銷、如何用 JSONL 追加日志構建結構化記憶、如何通過模塊隔離與 Just-In-Time 加載把單任務上下文從約 5000 token 壓縮到約 300400 token以及如何在個人數據系統中用四種文件格式各司其職地承載數據、敘事、配置與提示詞。一、Digital Brain 與 Skills Mapping 的定位Digital Brain 是倉庫examples/digital-brain-skill/下的一個完整 Skill 實現其 SKILL.md 定義它為用于管理數字形象、知識、關系與目標的個人操作系統。而SKILLS-MAPPING.md則是這座系統的工程藍圖——它不重復講述功能而是回答一個更關鍵的問題倉庫skills/目錄下那七大類上下文工程技能究竟如何在 Digital Brain 的真實文件結構與數據流中被兌現。整份映射文檔圍繞五個來源技能展開來源技能倉庫skills/目錄在 Digital Brain 中的核心落點context-fundamentals整體架構Attention Budget、漸進披露、高信號 tokenmemory-systems記憶層JSONL 追加日志、結構化召回、情景/語義記憶tool-design自動化層agents/scripts/下的自包含 Python 腳本context-optimization加載策略模塊隔離、Just-In-Time 加載、引用深度context-degradation防御機制上下文腐化、過期上下文、沖突指令的緩解下文按此五個維度逐一展開并在每個維度同時給出理論原則 → 文件落地 → 源碼佐證三層證據。二、Context Fundamentals用注意力預算與漸進披露控制上下文2.1 三個核心概念的落地context-fundamentals技能的三個概念在 Digital Brain 中被映射為具體機制概念理論含義Digital Brain 的落地方式Attention Budget注意力預算LLM 的上下文窗口是稀缺資源應只加載與當前任務相關的內容模塊隔離保證按需加載創作內容任務只加載identity/voice.md約 200 行網絡任務只加載contacts.jsonl永遠不整體加載全部數據Progressive Disclosure漸進披露信息分層呈現僅在需要時披露下一層三層加載架構L1 是 SKILL.md 元數據L2 是各模塊指令文件IDENTITY.md、CONTENT.md等L3 才是數據文件.jsonl/.yaml/.md每層只在需要時加載High-Signal Tokens高信號 token用盡可能小的高信號 token 集合最大化期望結果出現的概率JSONL schema 只保留必要字段voice.md只聚焦可辨識模式標志性短語、反模式而不是堆砌 Claude 本就熟知的通用寫作建議2.2 設計決策原文Find the smallest possible set of high-signal tokens that maximize the likelihood of some desired outcome.這條設計決策的落地形態很具體voice.md記錄的是標志性短語signature phrases與絕不使用的詞never use而非泛泛的風格指南。對應地在 identity/IDENTITY.md 的 Agent 指令中可以看到同樣的執行要求Match the energy level, vocabulary, and structural patternsAvoid words/phrases listed in never use section。三、Memory Systems以追加日志構建持久記憶3.1 四類記憶的映射memory-systems技能的四類記憶概念在 Digital Brain 中各有明確載體概念Digital Brain 應用Append-Only Logs所有.jsonl文件只追加不刪除狀態變更通過status: archived表達絕不物理刪除從而保留完整歷史供事后分析Structured Recall跨文件保持一致的 schema 以支持模式匹配contact_id字段把 network/contacts.jsonl 與 network/interactions.jsonl 關聯起來Episodic Memoryinteractions.jsonl記錄離散事件一次通話、一次咖啡posts.jsonl記錄發布內容及表現指標供回溯分析Semantic Memoryknowledge/bookmarks.jsonl 通過category與標簽支持按主題檢索3.2 設計決策原文Agents maintain persistent memory files to track progress across complex sequences.具體落地在 operations/metrics.jsonl每周快照不斷累積做趨勢分析時無需從原始數據重算。這與weekly_review.py的analyze_metrics()函數完全對應——它直接讀取operations/metrics.jsonl并取最新一條metrics[-1]作為本周指標基線。3.3 源碼佐證追加日志的實際讀取方式agents/scripts/weekly_review.py 的load_jsonl()函數揭示了追加日志的讀取約定def load_jsonl(filepath): Load JSONL file, skipping schema lines. items [] if not filepath.exists(): return items with open(filepath, r) as f: for line in f: line line.strip() if not line: continue try: data json.loads(line) # Skip schema definition lines if _schema not in data: items.append(data) except json.JSONDecodeError: continue return items從源碼可以看出兩條約定其一JSONL 首行通常是_schema定義行讀取時必須跳過這也是 SKILLS-MAPPING 校驗清單中JSONL 文件首條必須是 schema 行的來源其二腳本對損壞行采取寬容跳過策略except json.JSONDecodeError: continue保證追加寫入過程中斷行不會拖垮整個讀取流程。四、Tool Design把處理邏輯關進腳本只把結果交給 Agent4.1 三個原則的落地tool-design技能強調工具應自包含、無歧義、token 高效概念Digital Brain 應用Self-Contained Toolsagents/scripts/ 下每個腳本都是獨立 Python 文件、只做一件事weekly_review.py生成周報stale_contacts.py找出被冷落的關系Clear Input/Output腳本從固定已知路徑讀取數據向 stdout 輸出結構化文本除顯式文檔說明外不產生副作用Token Efficiency腳本內部完成數據處理后只把摘要結果交給 Agent——Agent 拿到的是結論而非原始數據處理邏輯4.2 設計決策原文Tools should be self-contained, unambiguous, and promote token efficiency.落地示例是content_ideas.py它在內部分析書簽bookmarks與歷史帖子只把可行動的建議返回給 Agent而不是把分析過程全部灌進上下文。4.3 源碼佐證腳本如何踐行只輸出結果agents/scripts/content_ideas.py 的入口對自包含與參數化同時給出了示范if __name__ __main__: parser argparse.ArgumentParser(descriptionGenerate content ideas) parser.add_argument(--pillar, -p, helpFilter by content pillar) parser.add_argument(--count, -c, typeint, default5, helpNumber of ideas to show) args parser.parse_args() print(generate_suggestions(args.pillar, args.count))其內部流程完美對應自包含原則get_top_performing_content()讀取content/posts.jsonl按likes comments*2 reposts*3的加權公式排序出表現最好的內容主題get_recent_bookmarks()讀取knowledge/bookmarks.jsonl并可選按 pillar 過濾get_undeveloped_ideas()篩出status raw的未開發想法。三個數據源都在腳本內部被消化最終輸出的是建議 提示語形式的可行動文本。同樣agents/scripts/stale_contacts.py 用按圈子circle配置的閾值表實現找出該聯系但還沒聯系的人# Thresholds by circle (in days) THRESHOLDS { inner: 14, # 2 weeks active: 30, # 1 month network: 60, # 2 months dormant: 180 # 6 months (for potential reactivation) }它把聯系人劃分為urgent超過閾值 1.5 倍、due超過閾值、coming_up超過閾值 0.75 倍三檔按last_contact時間戳判斷冷熱度。這份閾值表正是映射文檔中stale_contacts.py主動暴露需要關注的弱關系的底層實現。五、Context Optimization模塊隔離與 Just-In-Time 加載5.1 三個策略的落地context-optimization技能解決的是如何避免上下文膨脹概念Digital Brain 應用Module Separation六個模塊identity/、content/、knowledge/、network/、operations/、agents/相互隔離防止交叉污染內容創作永遠不會加載網絡數據Just-In-Time Loading模塊指令文件IDENTITY.md、CONTENT.md、NETWORK.md、OPERATIONS.md、AGENTS.md只在對應模塊相關時才加載Reference Depth主 SKILL.md 鏈接到模塊文檔模塊文檔再鏈接到數據文件任何信息的訪問最多兩跳5.2 設計決策原文Rather than pre-loading all data, maintain lightweight identifiers and dynamically load data at runtime.落地最典型的場景在網絡模塊Agent 先掃描contacts.jsonl匹配聯系人姓名再只針對該聯系人的contact_id加載interactions.jsonl中的特定條目——而不是把全部互動歷史一次性載入。這與 network/NETWORK.md 中Looking up contacts: Search by name, handle, company, or topics的 Agent 指令互為印證。5.3 三層加載架構的規模控制映射文檔給出的上下文預算清晰展示了 Just-In-Time 的價值——在創作內容任務中加載集是加載文件token 估算作用SKILL.md約 50路由/激活判斷identity/IDENTITY.md約 80模塊指令identity/voice.md約 200聲音模式identity/brand.md掃描式加載主題驗證總計約 400 token而整個 brain 全量加載約 5000 token——節省超過一個數量級。在會議準備任務中加載集更是壓縮到約 300 tokenSKILL.mdNETWORK.md 按名字掃描contacts.jsonl 按contact_id過濾interactions.jsonl。六、Context Degradation對上下文腐化的主動防御context-degradation技能關注的是上下文質量隨時間劣化的三類風險Digital Brain 用可量化的機制逐一緩解風險Digital Brain 緩解手段Context Rot上下文腐化模塊隔離給單次加載設上限voice.md保持在 300 行以內JSONL 數據按行流式讀取無需整體解析Stale Context過期上下文contacts.jsonl中的last_contact時間戳stale_contacts.py主動暴露需要關注的弱關系Conflicting Instructions指令沖突每個領域只有一個事實源聲音只在voice.md目標只在goals.yaml杜絕重復定義6.1 設計決策原文As context length increases, models experience diminishing returns in accuracy and recall.對應落地為三組硬性規模約束主 SKILL.md 控制在 200 行以內、每個模塊指令文件控制在 100 行以內、數據一律放在外部文件而非內聯內容。這些上限在 SKILL.md共約 200 行與各模塊文檔的行數上可以得到驗證且被映射文檔末尾的 Verification Checklist 固化為強制校驗項。6.2 源碼佐證時間戳驅動的過期檢測stale_contacts.py中的days_since()函數是對Stale Context 防御的工程化實現——對缺失日期date_str為空返回 999 天作為非常陳舊的兜底對格式錯誤的日期同樣兜底從而保證檢測邏輯永不因臟數據崩潰def days_since(date_str): Calculate days since a date string. if not date_str: return 999 # Very stale if no date try: date datetime.fromisoformat(date_str.replace(Z, 00:00)) return (datetime.now(date.tzinfo) - date).days except (ValueError, TypeError): return 999七、架構決策為什么四種格式各司其職SKILLS-MAPPING 文檔把 Digital Brain 的格式選型明確為四條架構決策這是任何 Agent 數據系統都可復用的模式7.1 為什么日志用 JSONL? 天然追加友好append-only by design ? 流式友好無需完整解析文件逐行讀取 ? 每行一個 schema首行即結構說明 ? Agent 友好標準 JSON 解析 ? 兼容 grep可快速檢索 ? 不適合人類手工編輯配置改用 YAML/MD ? 無事務保證對個人數據可接受7.2 為什么敘事用 Markdown? 人類可讀可編輯 ? 富文本格式表格、列表、代碼 ? Git 友好的 diff ? 通用渲染 適用voice、brand、calendar、todos、templates7.3 為什么配置用 YAML? 層級結構清晰 ? 人類可讀 ? 支持注釋 ? 嵌套數據語法簡潔 適用goals、values、circles、learning7.4 為什么提示詞用 XML? 對 Agent 結構清晰 ? 具名區塊instructions、context、output ? 支持變量占位符 ? 易于校驗 適用content-generation 模板、復雜提示詞這一格式分工貫穿整個 Digital Brainidentity/voice.md 用 Markdown 承載聲音敘事identity/values.yaml 用 YAML 承載價值觀配置identity/prompts/content-generation.xml 用 XML 承載生成模板而ideas.jsonl、posts.jsonl、contacts.jsonl、interactions.jsonl等全部走 JSONL 追加日志。八、Workflow Mappings兩條完整工作流中的技能鏈映射文檔用兩個端到端示例演示了技能鏈 文件加載集如何協同這兩個流程可直接照搬到任何個人 Agent 系統中。8.1 內容創作流程用戶請求Write a post about building in public技能鏈 1. context-fundamentals → 只加載 identity 模塊 2. memory-systems → 從 voice.md 取回聲音模式 3. context-optimization → 不加載 network/operations 4. tool-design → 用內容模板作為結構化腳手架 加載文件 - SKILL.md (約50 token) 路由 - identity/IDENTITY.md (約80 token) 模塊指令 - identity/voice.md (約200 token) 聲音模式 - identity/brand.md (掃描式加載) 主題驗證 總計約400 token vs 全量加載約5000 token對應地content/CONTENT.md 的創作管線給出了配套的文件流轉路徑ideas.jsonl捕獲→drafts/draft_[topic].md開發→ 對照voice.md審查 → 發布 → 帶指標歸檔到posts.jsonl。8.2 關系管理流程用戶請求Prepare me for my call with Alex技能鏈 1. context-fundamentals → 只加載 network 模塊 2. memory-systems → 先查 contacts再查 interactions 3. context-optimization → 按需加載特定聯系人的數據 4. tool-design → 結構化輸出brief 格式 加載文件 - SKILL.md (約50 token) 路由 - network/NETWORK.md (約60 token) 模塊指令 - network/contacts.jsonl (掃描 Alex) 聯系人數據 - network/interactions.jsonl (按 contact_id 過濾) 歷史記錄 總計約300 token 即獲得全部相關上下文這條流程與 network/NETWORK.md 定義的會前四步查聯系人 → 看近期互動 → 查 circles.yaml 關系上下文 → 記錄待辦跟進完全一致其interactions.jsonl的 schema 也給出了可復用的字段設計id、date、contact_id、typecall/coffee/dm/email/event/collab、context、key_points、follow_ups、sentiment。九、權衡取舍與校驗清單9.1 設計權衡一覽決策權衡理由模塊分離文件更多、導航成本更高防止上下文膨脹支持定向加載數據用 JSONL對人類不夠友好為 Agent 解析與追加操作優化不用數據庫無查詢語言簡單、離線可用、零依賴腳本用 Python需要 Python 運行時通用、可讀、易擴展占位符而非示例需要用戶自行填充避免AI 味內容強制個性化最后一條占位符而非示例尤其值得注意Digital Brain 刻意用占位符/模板而非成品示例以規避生成內容千篇一律的AI slop問題這與 identity/prompts/ 下模板的定位一致。9.2 擴展時的校驗清單當你向 Digital Brain 添加新模塊或新文件時按此清單逐項驗證原文完整保留新文件遵循格式約定JSONL/YAML/MD/XML模塊指令文件保持在 100 行以內JSONL 文件首條為 schema 定義行跨模塊引用保持最小化腳本自包含且輸入/輸出清晰每個領域只有唯一事實源不重復定義這六條校驗項與 agents/AGENTS.md 中Custom Script Development新增腳本需遵循現有 JSONL 讀取模式、輸出結構化數據、在本文檔登記形成了文檔層與代碼層的一致約束。十、Related Skills六個來源技能的職責分工技能在 Digital Brain 中的主要應用context-fundamentals整體架構、漸進披露設計context-degradation緩解策略、文件規模上限context-optimization模塊分離、Just-In-Time 加載memory-systemsJSONL 設計、追加日志模式tool-designAgent 腳本、I/O 模式multi-agent-patterns未來方向委托給專門化子 Agent其中multi-agent-patterns被標記為未來方向說明當前 Digital Brain 仍是單 Agent 架構但模塊化的文件系統設計已經為將來把不同模塊委托給專門化子 Agent 預留了清晰的邊界。結語一份可復用的上下文工程落地范式SKILLS-MAPPING 文檔的價值不在于描述 Digital Brain 的功能而在于它示范了一條**理論 → 架構決策 → 文件格式 → 加載策略 → 可執行校驗**的完整推導鏈上下文工程不再是抽象的 prompt 技巧而是被具象為行數上限、token 預算、schema 約定與腳本接口。對任何希望構建Agent 友好的個人知識/關系/內容系統的開發者這都是一份可以直接套用的工程范式——三層漸進披露 JSONL 追加記憶 模塊隔離 自包含腳本 規模上限校驗組合起來就是一套約 300400 token 即可完成單任務的上下文最優系統。本實現證明了理論性上下文工程原則如何轉化為實際的系統設計。【免費下載鏈接】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.項目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考