context-engineering

Master context engineering for AI agent systems. Use when designing agent architectures, debugging context failures, optimizing token usage, implementing memory systems, building multi-agent coordination, evaluating agent performance, or developing LLM-powered pipelines. Covers context fundamentals, degradation patterns, optimization techniques (compaction, masking, caching), compression strategies, memory architectures, multi-agent patterns, LLM-as-Judge evaluation, tool design, and project development.

1. Aktywuj skill context-engineering w swoim systemie Claude, gdy pracujesz nad architekturą agenta lub debugujesz problemy z kontekstem.

2. Zapoznaj się z fundamentami kontekstu — zrozum, jak LLM przetwarza tokeny i dlaczego pozycja informacji w sekwencji wpływa na uwagę modelu (efekt U-shaped curve).

3. Zdiagnozuj problem: czy kontekst jest zbyt długi, czy informacje kluczowe tracą się w środku? Użyj referencji do degradacji kontekstu, aby zidentyfikować typ błędu (lost-in-middle, poisoning itp.).

4. Zastosuj techniki optymalizacji — wybierz spośród kompakcji (zmniejszenie szumu), maskowania (ukrycie nieistotnych danych), cache'owania (ponowne użycie tokenów) lub partycjonowania (podział pracy między sub-agentów).

5. Jeśli pracujesz z długimi sesjami, wdrażaj strategię kompresji — podsumowuj historię, przechowuj tylko wysokosygnałowe informacje i ładuj dane just-in-time.

6. Przed optymalizacją zmierz baseline — znaj aktualny koszt tokenów i jakość odpowiedzi, aby ocenić wpływ zmian.