从理论到落地Agent Skills for Context Engineering 在 Digital Brain 中的实践映射全解【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导读本文以 examples/digital-brain-skill/SKILLS-MAPPING.md 为主线系统拆解Agent Skills for Context Engineering仓库中的上下文工程理论Attention Budget、Progressive Disclosure、Append-Only Logs 等是如何被映射进 Digital Brain——一个面向内容创作者、build in public 创始人与技术从业者的 AI 辅助个人操作系统。读完本文你将掌握如何用三层渐进披露架构控制 Agent 的上下文开销、如何用 JSONL 追加日志构建结构化记忆、如何通过模块隔离与 Just-In-Time 加载把单任务上下文从约 5000 token 压缩到约 300400 token以及如何在个人数据系统中用四种文件格式各司其职地承载数据、叙事、配置与提示词。一、Digital Brain 与 Skills Mapping 的定位Digital Brain 是仓库examples/digital-brain-skill/下的一个完整 Skill 实现其 SKILL.md 定义它为用于管理数字形象、知识、关系与目标的个人操作系统。而SKILLS-MAPPING.md则是这座系统的工程蓝图——它不重复讲述功能而是回答一个更关键的问题仓库skills/目录下那七大类上下文工程技能究竟如何在 Digital Brain 的真实文件结构与数据流中被兑现。整份映射文档围绕五个来源技能展开来源技能仓库skills/目录在 Digital Brain 中的核心落点context-fundamentals整体架构Attention Budget、渐进披露、高信号 tokenmemory-systems记忆层JSONL 追加日志、结构化召回、情景/语义记忆tool-design自动化层agents/scripts/下的自包含 Python 脚本context-optimization加载策略模块隔离、Just-In-Time 加载、引用深度context-degradation防御机制上下文腐化、过期上下文、冲突指令的缓解下文按此五个维度逐一展开并在每个维度同时给出理论原则 → 文件落地 → 源码佐证三层证据。二、Context Fundamentals用注意力预算与渐进披露控制上下文2.1 三个核心概念的落地context-fundamentals技能的三个概念在 Digital Brain 中被映射为具体机制概念理论含义Digital Brain 的落地方式Attention Budget注意力预算LLM 的上下文窗口是稀缺资源应只加载与当前任务相关的内容模块隔离保证按需加载创作内容任务只加载identity/voice.md约 200 行网络任务只加载contacts.jsonl永远不整体加载全部数据Progressive Disclosure渐进披露信息分层呈现仅在需要时披露下一层三层加载架构L1 是 SKILL.md 元数据L2 是各模块指令文件IDENTITY.md、CONTENT.md等L3 才是数据文件.jsonl/.yaml/.md每层只在需要时加载High-Signal Tokens高信号 token用尽可能小的高信号 token 集合最大化期望结果出现的概率JSONL schema 只保留必要字段voice.md只聚焦可辨识模式标志性短语、反模式而不是堆砌 Claude 本就熟知的通用写作建议2.2 设计决策原文Find the smallest possible set of high-signal tokens that maximize the likelihood of some desired outcome.这条设计决策的落地形态很具体voice.md记录的是标志性短语signature phrases与绝不使用的词never use而非泛泛的风格指南。对应地在 identity/IDENTITY.md 的 Agent 指令中可以看到同样的执行要求Match the energy level, vocabulary, and structural patternsAvoid words/phrases listed in never use section。三、Memory Systems以追加日志构建持久记忆3.1 四类记忆的映射memory-systems技能的四类记忆概念在 Digital Brain 中各有明确载体概念Digital Brain 应用Append-Only Logs所有.jsonl文件只追加不删除状态变更通过status: archived表达绝不物理删除从而保留完整历史供事后分析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 与 network/interactions.jsonl 关联起来Episodic Memoryinteractions.jsonl记录离散事件一次通话、一次咖啡posts.jsonl记录发布内容及表现指标供回溯分析Semantic Memoryknowledge/bookmarks.jsonl 通过category与标签支持按主题检索3.2 设计决策原文Agents maintain persistent memory files to track progress across complex sequences.具体落地在 operations/metrics.jsonl每周快照不断累积做趋势分析时无需从原始数据重算。这与weekly_review.py的analyze_metrics()函数完全对应——它直接读取operations/metrics.jsonl并取最新一条metrics[-1]作为本周指标基线。3.3 源码佐证追加日志的实际读取方式agents/scripts/weekly_review.py 的load_jsonl()函数揭示了追加日志的读取约定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从源码可以看出两条约定其一JSONL 首行通常是_schema定义行读取时必须跳过这也是 SKILLS-MAPPING 校验清单中JSONL 文件首条必须是 schema 行的来源其二脚本对损坏行采取宽容跳过策略except json.JSONDecodeError: continue保证追加写入过程中断行不会拖垮整个读取流程。四、Tool Design把处理逻辑关进脚本只把结果交给 Agent4.1 三个原则的落地tool-design技能强调工具应自包含、无歧义、token 高效概念Digital Brain 应用Self-Contained Toolsagents/scripts/ 下每个脚本都是独立 Python 文件、只做一件事weekly_review.py生成周报stale_contacts.py找出被冷落的关系Clear Input/Output脚本从固定已知路径读取数据向 stdout 输出结构化文本除显式文档说明外不产生副作用Token Efficiency脚本内部完成数据处理后只把摘要结果交给 Agent——Agent 拿到的是结论而非原始数据处理逻辑4.2 设计决策原文Tools should be self-contained, unambiguous, and promote token efficiency.落地示例是content_ideas.py它在内部分析书签bookmarks与历史帖子只把可行动的建议返回给 Agent而不是把分析过程全部灌进上下文。4.3 源码佐证脚本如何践行只输出结果agents/scripts/content_ideas.py 的入口对自包含与参数化同时给出了示范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))其内部流程完美对应自包含原则get_top_performing_content()读取content/posts.jsonl按likes comments*2 reposts*3的加权公式排序出表现最好的内容主题get_recent_bookmarks()读取knowledge/bookmarks.jsonl并可选按 pillar 过滤get_undeveloped_ideas()筛出status raw的未开发想法。三个数据源都在脚本内部被消化最终输出的是建议 提示语形式的可行动文本。同样agents/scripts/stale_contacts.py 用按圈子circle配置的阈值表实现找出该联系但还没联系的人# 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) }它把联系人划分为urgent超过阈值 1.5 倍、due超过阈值、coming_up超过阈值 0.75 倍三档按last_contact时间戳判断冷热度。这份阈值表正是映射文档中stale_contacts.py主动暴露需要关注的弱关系的底层实现。五、Context Optimization模块隔离与 Just-In-Time 加载5.1 三个策略的落地context-optimization技能解决的是如何避免上下文膨胀概念Digital Brain 应用Module Separation六个模块identity/、content/、knowledge/、network/、operations/、agents/相互隔离防止交叉污染内容创作永远不会加载网络数据Just-In-Time Loading模块指令文件IDENTITY.md、CONTENT.md、NETWORK.md、OPERATIONS.md、AGENTS.md只在对应模块相关时才加载Reference Depth主 SKILL.md 链接到模块文档模块文档再链接到数据文件任何信息的访问最多两跳5.2 设计决策原文Rather than pre-loading all data, maintain lightweight identifiers and dynamically load data at runtime.落地最典型的场景在网络模块Agent 先扫描contacts.jsonl匹配联系人姓名再只针对该联系人的contact_id加载interactions.jsonl中的特定条目——而不是把全部互动历史一次性载入。这与 network/NETWORK.md 中Looking up contacts: Search by name, handle, company, or topics的 Agent 指令互为印证。5.3 三层加载架构的规模控制映射文档给出的上下文预算清晰展示了 Just-In-Time 的价值——在创作内容任务中加载集是加载文件token 估算作用SKILL.md约 50路由/激活判断identity/IDENTITY.md约 80模块指令identity/voice.md约 200声音模式identity/brand.md扫描式加载主题验证总计约 400 token而整个 brain 全量加载约 5000 token——节省超过一个数量级。在会议准备任务中加载集更是压缩到约 300 tokenSKILL.mdNETWORK.md 按名字扫描contacts.jsonl 按contact_id过滤interactions.jsonl。六、Context Degradation对上下文腐化的主动防御context-degradation技能关注的是上下文质量随时间劣化的三类风险Digital Brain 用可量化的机制逐一缓解风险Digital Brain 缓解手段Context Rot上下文腐化模块隔离给单次加载设上限voice.md保持在 300 行以内JSONL 数据按行流式读取无需整体解析Stale Context过期上下文contacts.jsonl中的last_contact时间戳stale_contacts.py主动暴露需要关注的弱关系Conflicting Instructions指令冲突每个领域只有一个事实源声音只在voice.md目标只在goals.yaml杜绝重复定义6.1 设计决策原文As context length increases, models experience diminishing returns in accuracy and recall.对应落地为三组硬性规模约束主 SKILL.md 控制在 200 行以内、每个模块指令文件控制在 100 行以内、数据一律放在外部文件而非内联内容。这些上限在 SKILL.md共约 200 行与各模块文档的行数上可以得到验证且被映射文档末尾的 Verification Checklist 固化为强制校验项。6.2 源码佐证时间戳驱动的过期检测stale_contacts.py中的days_since()函数是对Stale Context 防御的工程化实现——对缺失日期date_str为空返回 999 天作为非常陈旧的兜底对格式错误的日期同样兜底从而保证检测逻辑永不因脏数据崩溃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、架构决策为什么四种格式各司其职SKILLS-MAPPING 文档把 Digital Brain 的格式选型明确为四条架构决策这是任何 Agent 数据系统都可复用的模式7.1 为什么日志用 JSONL✓ 天然追加友好append-only by design ✓ 流式友好无需完整解析文件逐行读取 ✓ 每行一个 schema首行即结构说明 ✓ Agent 友好标准 JSON 解析 ✓ 兼容 grep可快速检索 ✗ 不适合人类手工编辑配置改用 YAML/MD ✗ 无事务保证对个人数据可接受7.2 为什么叙事用 Markdown✓ 人类可读可编辑 ✓ 富文本格式表格、列表、代码 ✓ Git 友好的 diff ✓ 通用渲染 适用voice、brand、calendar、todos、templates7.3 为什么配置用 YAML✓ 层级结构清晰 ✓ 人类可读 ✓ 支持注释 ✓ 嵌套数据语法简洁 适用goals、values、circles、learning7.4 为什么提示词用 XML✓ 对 Agent 结构清晰 ✓ 具名区块instructions、context、output ✓ 支持变量占位符 ✓ 易于校验 适用content-generation 模板、复杂提示词这一格式分工贯穿整个 Digital Brainidentity/voice.md 用 Markdown 承载声音叙事identity/values.yaml 用 YAML 承载价值观配置identity/prompts/content-generation.xml 用 XML 承载生成模板而ideas.jsonl、posts.jsonl、contacts.jsonl、interactions.jsonl等全部走 JSONL 追加日志。八、Workflow Mappings两条完整工作流中的技能链映射文档用两个端到端示例演示了技能链 文件加载集如何协同这两个流程可直接照搬到任何个人 Agent 系统中。8.1 内容创作流程用户请求Write a post about building in public技能链 1. context-fundamentals → 只加载 identity 模块 2. memory-systems → 从 voice.md 取回声音模式 3. context-optimization → 不加载 network/operations 4. tool-design → 用内容模板作为结构化脚手架 加载文件 - SKILL.md (约50 token) 路由 - identity/IDENTITY.md (约80 token) 模块指令 - identity/voice.md (约200 token) 声音模式 - identity/brand.md (扫描式加载) 主题验证 总计约400 token vs 全量加载约5000 token对应地content/CONTENT.md 的创作管线给出了配套的文件流转路径ideas.jsonl捕获→drafts/draft_[topic].md开发→ 对照voice.md审查 → 发布 → 带指标归档到posts.jsonl。8.2 关系管理流程用户请求Prepare me for my call with Alex技能链 1. context-fundamentals → 只加载 network 模块 2. memory-systems → 先查 contacts再查 interactions 3. context-optimization → 按需加载特定联系人的数据 4. tool-design → 结构化输出brief 格式 加载文件 - SKILL.md (约50 token) 路由 - network/NETWORK.md (约60 token) 模块指令 - network/contacts.jsonl (扫描 Alex) 联系人数据 - network/interactions.jsonl (按 contact_id 过滤) 历史记录 总计约300 token 即获得全部相关上下文这条流程与 network/NETWORK.md 定义的会前四步查联系人 → 看近期互动 → 查 circles.yaml 关系上下文 → 记录待办跟进完全一致其interactions.jsonl的 schema 也给出了可复用的字段设计id、date、contact_id、typecall/coffee/dm/email/event/collab、context、key_points、follow_ups、sentiment。九、权衡取舍与校验清单9.1 设计权衡一览决策权衡理由模块分离文件更多、导航成本更高防止上下文膨胀支持定向加载数据用 JSONL对人类不够友好为 Agent 解析与追加操作优化不用数据库无查询语言简单、离线可用、零依赖脚本用 Python需要 Python 运行时通用、可读、易扩展占位符而非示例需要用户自行填充避免AI 味内容强制个性化最后一条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规避生成内容千篇一律的AI slop问题这与 identity/prompts/ 下模板的定位一致。9.2 扩展时的校验清单当你向 Digital Brain 添加新模块或新文件时按此清单逐项验证原文完整保留新文件遵循格式约定JSONL/YAML/MD/XML模块指令文件保持在 100 行以内JSONL 文件首条为 schema 定义行跨模块引用保持最小化脚本自包含且输入/输出清晰每个领域只有唯一事实源不重复定义这六条校验项与 agents/AGENTS.md 中Custom Script Development新增脚本需遵循现有 JSONL 读取模式、输出结构化数据、在本文档登记形成了文档层与代码层的一致约束。十、Related Skills六个来源技能的职责分工技能在 Digital Brain 中的主要应用context-fundamentals整体架构、渐进披露设计context-degradation缓解策略、文件规模上限context-optimization模块分离、Just-In-Time 加载memory-systemsJSONL 设计、追加日志模式tool-designAgent 脚本、I/O 模式multi-agent-patterns未来方向委托给专门化子 Agent其中multi-agent-patterns被标记为未来方向说明当前 Digital Brain 仍是单 Agent 架构但模块化的文件系统设计已经为将来把不同模块委托给专门化子 Agent 预留了清晰的边界。结语一份可复用的上下文工程落地范式SKILLS-MAPPING 文档的价值不在于描述 Digital Brain 的功能而在于它示范了一条**理论 → 架构决策 → 文件格式 → 加载策略 → 可执行校验**的完整推导链上下文工程不再是抽象的 prompt 技巧而是被具象为行数上限、token 预算、schema 约定与脚本接口。对任何希望构建Agent 友好的个人知识/关系/内容系统的开发者这都是一份可以直接套用的工程范式——三层渐进披露 JSONL 追加记忆 模块隔离 自包含脚本 规模上限校验组合起来就是一套约 300400 token 即可完成单任务的上下文最优系统。本实现证明了理论性上下文工程原则如何转化为实际的系统设计。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 从理论到落地：Agent Skills for Context Engineering 在 Digital Brain 中的实践映射全解
从理论到落地Agent Skills for Context Engineering 在 Digital Brain 中的实践映射全解【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导读本文以 examples/digital-brain-skill/SKILLS-MAPPING.md 为主线系统拆解Agent Skills for Context Engineering仓库中的上下文工程理论Attention Budget、Progressive Disclosure、Append-Only Logs 等是如何被映射进 Digital Brain——一个面向内容创作者、build in public 创始人与技术从业者的 AI 辅助个人操作系统。读完本文你将掌握如何用三层渐进披露架构控制 Agent 的上下文开销、如何用 JSONL 追加日志构建结构化记忆、如何通过模块隔离与 Just-In-Time 加载把单任务上下文从约 5000 token 压缩到约 300400 token以及如何在个人数据系统中用四种文件格式各司其职地承载数据、叙事、配置与提示词。一、Digital Brain 与 Skills Mapping 的定位Digital Brain 是仓库examples/digital-brain-skill/下的一个完整 Skill 实现其 SKILL.md 定义它为用于管理数字形象、知识、关系与目标的个人操作系统。而SKILLS-MAPPING.md则是这座系统的工程蓝图——它不重复讲述功能而是回答一个更关键的问题仓库skills/目录下那七大类上下文工程技能究竟如何在 Digital Brain 的真实文件结构与数据流中被兑现。整份映射文档围绕五个来源技能展开来源技能仓库skills/目录在 Digital Brain 中的核心落点context-fundamentals整体架构Attention Budget、渐进披露、高信号 tokenmemory-systems记忆层JSONL 追加日志、结构化召回、情景/语义记忆tool-design自动化层agents/scripts/下的自包含 Python 脚本context-optimization加载策略模块隔离、Just-In-Time 加载、引用深度context-degradation防御机制上下文腐化、过期上下文、冲突指令的缓解下文按此五个维度逐一展开并在每个维度同时给出理论原则 → 文件落地 → 源码佐证三层证据。二、Context Fundamentals用注意力预算与渐进披露控制上下文2.1 三个核心概念的落地context-fundamentals技能的三个概念在 Digital Brain 中被映射为具体机制概念理论含义Digital Brain 的落地方式Attention Budget注意力预算LLM 的上下文窗口是稀缺资源应只加载与当前任务相关的内容模块隔离保证按需加载创作内容任务只加载identity/voice.md约 200 行网络任务只加载contacts.jsonl永远不整体加载全部数据Progressive Disclosure渐进披露信息分层呈现仅在需要时披露下一层三层加载架构L1 是 SKILL.md 元数据L2 是各模块指令文件IDENTITY.md、CONTENT.md等L3 才是数据文件.jsonl/.yaml/.md每层只在需要时加载High-Signal Tokens高信号 token用尽可能小的高信号 token 集合最大化期望结果出现的概率JSONL schema 只保留必要字段voice.md只聚焦可辨识模式标志性短语、反模式而不是堆砌 Claude 本就熟知的通用写作建议2.2 设计决策原文Find the smallest possible set of high-signal tokens that maximize the likelihood of some desired outcome.这条设计决策的落地形态很具体voice.md记录的是标志性短语signature phrases与绝不使用的词never use而非泛泛的风格指南。对应地在 identity/IDENTITY.md 的 Agent 指令中可以看到同样的执行要求Match the energy level, vocabulary, and structural patternsAvoid words/phrases listed in never use section。三、Memory Systems以追加日志构建持久记忆3.1 四类记忆的映射memory-systems技能的四类记忆概念在 Digital Brain 中各有明确载体概念Digital Brain 应用Append-Only Logs所有.jsonl文件只追加不删除状态变更通过status: archived表达绝不物理删除从而保留完整历史供事后分析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 与 network/interactions.jsonl 关联起来Episodic Memoryinteractions.jsonl记录离散事件一次通话、一次咖啡posts.jsonl记录发布内容及表现指标供回溯分析Semantic Memoryknowledge/bookmarks.jsonl 通过category与标签支持按主题检索3.2 设计决策原文Agents maintain persistent memory files to track progress across complex sequences.具体落地在 operations/metrics.jsonl每周快照不断累积做趋势分析时无需从原始数据重算。这与weekly_review.py的analyze_metrics()函数完全对应——它直接读取operations/metrics.jsonl并取最新一条metrics[-1]作为本周指标基线。3.3 源码佐证追加日志的实际读取方式agents/scripts/weekly_review.py 的load_jsonl()函数揭示了追加日志的读取约定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从源码可以看出两条约定其一JSONL 首行通常是_schema定义行读取时必须跳过这也是 SKILLS-MAPPING 校验清单中JSONL 文件首条必须是 schema 行的来源其二脚本对损坏行采取宽容跳过策略except json.JSONDecodeError: continue保证追加写入过程中断行不会拖垮整个读取流程。四、Tool Design把处理逻辑关进脚本只把结果交给 Agent4.1 三个原则的落地tool-design技能强调工具应自包含、无歧义、token 高效概念Digital Brain 应用Self-Contained Toolsagents/scripts/ 下每个脚本都是独立 Python 文件、只做一件事weekly_review.py生成周报stale_contacts.py找出被冷落的关系Clear Input/Output脚本从固定已知路径读取数据向 stdout 输出结构化文本除显式文档说明外不产生副作用Token Efficiency脚本内部完成数据处理后只把摘要结果交给 Agent——Agent 拿到的是结论而非原始数据处理逻辑4.2 设计决策原文Tools should be self-contained, unambiguous, and promote token efficiency.落地示例是content_ideas.py它在内部分析书签bookmarks与历史帖子只把可行动的建议返回给 Agent而不是把分析过程全部灌进上下文。4.3 源码佐证脚本如何践行只输出结果agents/scripts/content_ideas.py 的入口对自包含与参数化同时给出了示范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))其内部流程完美对应自包含原则get_top_performing_content()读取content/posts.jsonl按likes comments*2 reposts*3的加权公式排序出表现最好的内容主题get_recent_bookmarks()读取knowledge/bookmarks.jsonl并可选按 pillar 过滤get_undeveloped_ideas()筛出status raw的未开发想法。三个数据源都在脚本内部被消化最终输出的是建议 提示语形式的可行动文本。同样agents/scripts/stale_contacts.py 用按圈子circle配置的阈值表实现找出该联系但还没联系的人# 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) }它把联系人划分为urgent超过阈值 1.5 倍、due超过阈值、coming_up超过阈值 0.75 倍三档按last_contact时间戳判断冷热度。这份阈值表正是映射文档中stale_contacts.py主动暴露需要关注的弱关系的底层实现。五、Context Optimization模块隔离与 Just-In-Time 加载5.1 三个策略的落地context-optimization技能解决的是如何避免上下文膨胀概念Digital Brain 应用Module Separation六个模块identity/、content/、knowledge/、network/、operations/、agents/相互隔离防止交叉污染内容创作永远不会加载网络数据Just-In-Time Loading模块指令文件IDENTITY.md、CONTENT.md、NETWORK.md、OPERATIONS.md、AGENTS.md只在对应模块相关时才加载Reference Depth主 SKILL.md 链接到模块文档模块文档再链接到数据文件任何信息的访问最多两跳5.2 设计决策原文Rather than pre-loading all data, maintain lightweight identifiers and dynamically load data at runtime.落地最典型的场景在网络模块Agent 先扫描contacts.jsonl匹配联系人姓名再只针对该联系人的contact_id加载interactions.jsonl中的特定条目——而不是把全部互动历史一次性载入。这与 network/NETWORK.md 中Looking up contacts: Search by name, handle, company, or topics的 Agent 指令互为印证。5.3 三层加载架构的规模控制映射文档给出的上下文预算清晰展示了 Just-In-Time 的价值——在创作内容任务中加载集是加载文件token 估算作用SKILL.md约 50路由/激活判断identity/IDENTITY.md约 80模块指令identity/voice.md约 200声音模式identity/brand.md扫描式加载主题验证总计约 400 token而整个 brain 全量加载约 5000 token——节省超过一个数量级。在会议准备任务中加载集更是压缩到约 300 tokenSKILL.mdNETWORK.md 按名字扫描contacts.jsonl 按contact_id过滤interactions.jsonl。六、Context Degradation对上下文腐化的主动防御context-degradation技能关注的是上下文质量随时间劣化的三类风险Digital Brain 用可量化的机制逐一缓解风险Digital Brain 缓解手段Context Rot上下文腐化模块隔离给单次加载设上限voice.md保持在 300 行以内JSONL 数据按行流式读取无需整体解析Stale Context过期上下文contacts.jsonl中的last_contact时间戳stale_contacts.py主动暴露需要关注的弱关系Conflicting Instructions指令冲突每个领域只有一个事实源声音只在voice.md目标只在goals.yaml杜绝重复定义6.1 设计决策原文As context length increases, models experience diminishing returns in accuracy and recall.对应落地为三组硬性规模约束主 SKILL.md 控制在 200 行以内、每个模块指令文件控制在 100 行以内、数据一律放在外部文件而非内联内容。这些上限在 SKILL.md共约 200 行与各模块文档的行数上可以得到验证且被映射文档末尾的 Verification Checklist 固化为强制校验项。6.2 源码佐证时间戳驱动的过期检测stale_contacts.py中的days_since()函数是对Stale Context 防御的工程化实现——对缺失日期date_str为空返回 999 天作为非常陈旧的兜底对格式错误的日期同样兜底从而保证检测逻辑永不因脏数据崩溃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、架构决策为什么四种格式各司其职SKILLS-MAPPING 文档把 Digital Brain 的格式选型明确为四条架构决策这是任何 Agent 数据系统都可复用的模式7.1 为什么日志用 JSONL✓ 天然追加友好append-only by design ✓ 流式友好无需完整解析文件逐行读取 ✓ 每行一个 schema首行即结构说明 ✓ Agent 友好标准 JSON 解析 ✓ 兼容 grep可快速检索 ✗ 不适合人类手工编辑配置改用 YAML/MD ✗ 无事务保证对个人数据可接受7.2 为什么叙事用 Markdown✓ 人类可读可编辑 ✓ 富文本格式表格、列表、代码 ✓ Git 友好的 diff ✓ 通用渲染 适用voice、brand、calendar、todos、templates7.3 为什么配置用 YAML✓ 层级结构清晰 ✓ 人类可读 ✓ 支持注释 ✓ 嵌套数据语法简洁 适用goals、values、circles、learning7.4 为什么提示词用 XML✓ 对 Agent 结构清晰 ✓ 具名区块instructions、context、output ✓ 支持变量占位符 ✓ 易于校验 适用content-generation 模板、复杂提示词这一格式分工贯穿整个 Digital Brainidentity/voice.md 用 Markdown 承载声音叙事identity/values.yaml 用 YAML 承载价值观配置identity/prompts/content-generation.xml 用 XML 承载生成模板而ideas.jsonl、posts.jsonl、contacts.jsonl、interactions.jsonl等全部走 JSONL 追加日志。八、Workflow Mappings两条完整工作流中的技能链映射文档用两个端到端示例演示了技能链 文件加载集如何协同这两个流程可直接照搬到任何个人 Agent 系统中。8.1 内容创作流程用户请求Write a post about building in public技能链 1. context-fundamentals → 只加载 identity 模块 2. memory-systems → 从 voice.md 取回声音模式 3. context-optimization → 不加载 network/operations 4. tool-design → 用内容模板作为结构化脚手架 加载文件 - SKILL.md (约50 token) 路由 - identity/IDENTITY.md (约80 token) 模块指令 - identity/voice.md (约200 token) 声音模式 - identity/brand.md (扫描式加载) 主题验证 总计约400 token vs 全量加载约5000 token对应地content/CONTENT.md 的创作管线给出了配套的文件流转路径ideas.jsonl捕获→drafts/draft_[topic].md开发→ 对照voice.md审查 → 发布 → 带指标归档到posts.jsonl。8.2 关系管理流程用户请求Prepare me for my call with Alex技能链 1. context-fundamentals → 只加载 network 模块 2. memory-systems → 先查 contacts再查 interactions 3. context-optimization → 按需加载特定联系人的数据 4. tool-design → 结构化输出brief 格式 加载文件 - SKILL.md (约50 token) 路由 - network/NETWORK.md (约60 token) 模块指令 - network/contacts.jsonl (扫描 Alex) 联系人数据 - network/interactions.jsonl (按 contact_id 过滤) 历史记录 总计约300 token 即获得全部相关上下文这条流程与 network/NETWORK.md 定义的会前四步查联系人 → 看近期互动 → 查 circles.yaml 关系上下文 → 记录待办跟进完全一致其interactions.jsonl的 schema 也给出了可复用的字段设计id、date、contact_id、typecall/coffee/dm/email/event/collab、context、key_points、follow_ups、sentiment。九、权衡取舍与校验清单9.1 设计权衡一览决策权衡理由模块分离文件更多、导航成本更高防止上下文膨胀支持定向加载数据用 JSONL对人类不够友好为 Agent 解析与追加操作优化不用数据库无查询语言简单、离线可用、零依赖脚本用 Python需要 Python 运行时通用、可读、易扩展占位符而非示例需要用户自行填充避免AI 味内容强制个性化最后一条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规避生成内容千篇一律的AI slop问题这与 identity/prompts/ 下模板的定位一致。9.2 扩展时的校验清单当你向 Digital Brain 添加新模块或新文件时按此清单逐项验证原文完整保留新文件遵循格式约定JSONL/YAML/MD/XML模块指令文件保持在 100 行以内JSONL 文件首条为 schema 定义行跨模块引用保持最小化脚本自包含且输入/输出清晰每个领域只有唯一事实源不重复定义这六条校验项与 agents/AGENTS.md 中Custom Script Development新增脚本需遵循现有 JSONL 读取模式、输出结构化数据、在本文档登记形成了文档层与代码层的一致约束。十、Related Skills六个来源技能的职责分工技能在 Digital Brain 中的主要应用context-fundamentals整体架构、渐进披露设计context-degradation缓解策略、文件规模上限context-optimization模块分离、Just-In-Time 加载memory-systemsJSONL 设计、追加日志模式tool-designAgent 脚本、I/O 模式multi-agent-patterns未来方向委托给专门化子 Agent其中multi-agent-patterns被标记为未来方向说明当前 Digital Brain 仍是单 Agent 架构但模块化的文件系统设计已经为将来把不同模块委托给专门化子 Agent 预留了清晰的边界。结语一份可复用的上下文工程落地范式SKILLS-MAPPING 文档的价值不在于描述 Digital Brain 的功能而在于它示范了一条**理论 → 架构决策 → 文件格式 → 加载策略 → 可执行校验**的完整推导链上下文工程不再是抽象的 prompt 技巧而是被具象为行数上限、token 预算、schema 约定与脚本接口。对任何希望构建Agent 友好的个人知识/关系/内容系统的开发者这都是一份可以直接套用的工程范式——三层渐进披露 JSONL 追加记忆 模块隔离 自包含脚本 规模上限校验组合起来就是一套约 300400 token 即可完成单任务的上下文最优系统。本实现证明了理论性上下文工程原则如何转化为实际的系统设计。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考