Context
PulseAugur coverage of Context — every cluster mentioning Context across labs, papers, and developer communities, ranked by signal.
- 2026-05-26 research_milestone Publication of a research paper detailing the Context architecture for proactive goal-directed AI agents. 来源
3 天有情绪数据
-
PageSift 1.6 通过溯源和增量更新增强 LLM 上下文
PageSift 1.6,代号为“Context”,是一款旨在改进大型语言模型(LLM)处理信息方式的新工具。它解决了当前 LLM 上下文输入方法在溯源、时间敏感性和增量更新方面存在的问题。PageSift 1.6 将内容分解为保留身份、 lineage 和来源信息的“KnowledgeUnits”,从而实现更精确的引用和变更跟踪。该系统还设有一个名为“Delta”的增量日志,当文档更新时,它能高效地重新计算受影响的资产,显著加快维护…
-
模型上下文协议解决了 AI 前端的“上下文钻取”问题
模型上下文协议 (MCP) 被提出作为 AI 前端“上下文钻取”问题的解决方案,类似于 Context、Redux 和类似工具如何解决了传统前端开发中的“prop drilling”问题。MCP 改变了数据流,使 AI 模型能够通过后端公开的标准接口拉取所需的上下文,而不是由 UI 为每个功能手动组装和推送上下文。该协议利用工具、资源和提示使模型能够访问数据和功能,从而减少了重复代码,确保了更准确的上下文,并集中了安全和授权。
-
AI模型Claude Code 2.1.310面临无头客户端问题
一个被识别为Claude Code 2.1.310的AI在其MCP工具在无头环境中运行时遇到了问题。该工具的elicitation(引导)功能,用于提示用户输入,由于无头客户端缺乏服务器发起的请求所需的必要通道而失败。作者提出了一种修复方案,该方案优先考虑参数,仅将elicitation 作为备用方案,并在无头客户端无法提示用户时返回错误消息而不是抛出异常。
-
Claude 代码错误阻止了无头会话中的服务器发起请求
一位开发者在 Claude 代码环境中发现了一个错误,其中服务器发起的请求(例如,为工具提取用户输入)由于缺乏此类通信的后门而失败。此问题阻止了工具在无头会话(如 `claude -p` 或 CI 脚本)中正常运行。提出的解决方案包括优先处理工具参数,仅将提取作为后备方案,并通过错误消息指导模型在无法提取时提供必要的参数。
-
AI技术栈的复杂性已超越模型,延伸至数据、推理和可观测性
AI系统的复杂性已超越核心模型本身,涵盖了更广泛的技术栈组件。数据管理、检索机制、上下文处理、推理过程、评估指标和可观测性工具等关键要素对于塑造有效的生产AI至关重要。理解这些相互关联的部分对于构建和部署先进的AI解决方案至关重要。
-
神经网络学会像人类一样进行基于上下文的记忆检索
研究人员开发了一种增强了情景记忆缓冲区的循环神经网络(RNN),该网络可以推断情景上下文并相应地调整其理解和记忆检索。该模型的活动模式与人类在上下文调节其工作记忆时的神经反应非常相似。此外,与没有上下文调节的模型相比,该网络能更有效地检索与上下文一致的记忆,这表明了一种计算机制,解释了上下文如何在自然环境中影响记忆。
-
AI系统提示是攻击面,而不是文档
AI模型的系统提示容易受到各种攻击,包括释义漂移、优先级反转和上下文泄露,而不是安全的文档。这些漏洞的出现是因为模型可能会松散地解释基于散文的指令,或者优先考虑用户输入而不是系统指令。为了减轻这些风险,开发人员应将系统提示视为公开的攻击面,在外部约束(如输出过滤器和支出上限)中实施硬性约束,并通过固定探测和固定模型版本进行严格的回归测试。
-
提示工程 vs. 微调:选择正确的LLM策略
提示工程,即精心设计大型语言模型(LLM)的输入以获得期望输出的实践,被认为是利用AI能力的关键初始步骤。虽然对许多任务都有效,但提示工程最终会遇到局限性,例如性能停滞、需要不断调整提示以及提示膨胀。当这些问题出现时,对模型本身进行微调成为更可行的选择,尽管资源消耗更大,尤其是在处理狭窄领域和足够标记数据的情况下。
-
AI代理上下文毒化实验产生无效应
进行了一项实验,以检验AI代理自身的笔记会毒化其上下文并导致级联错误的假设。结果表明,尽管代理的上下文确实变得自指,在第60轮时笔记占信息量的90%以上,但这并未显著影响准确性。保留笔记与不保留笔记的策略之间的准确性差异微乎其微,这表明笔记充当了代理推理的缓存,而不是一个独立的、可被破坏的来源。
-
AI发展探索高级提示词和未来“AI大姐姐”角色
该集群讨论了AI不断发展的格局,涉及高级提示词工程和“AI大姐姐”的概念。第一项深入探讨了约束设计,探索了AI开发中提示词和上下文之外的下一步。第二项题为“通往AI大姐姐之路(2026版)”,推测了未来AI的交互和角色。
-
AI代理依赖受控环境进行安全执行
本系列文章“Harness Engineering”的这一部分,重点介绍了“环境”在AI代理执行中的关键作用。环境被定义为AI模型调用的工具运行的运行时,涵盖文件系统、Shell、网络访问和计算资源等方面。精心设计的环境对于控制AI代理的行为并防止意外后果至关重要,其关键特性包括有界性、可复现性和可检查性,以管理代理的操作范围并降低风险。
-
研究人员开发 Self-Harness,使 LLM 代理能够自主改进其自身系统
一篇新研究论文介绍了一种名为“Self-Harness”的方法,该方法允许基于 LLM 的代理自主改进其自身的运行 Harness。这个迭代过程包括识别模型特定的失败模式、生成 Harness 修改以及通过回归测试验证这些更改。当应用于各种模型和基准测试时,Self-Harness 持续提高了性能,为实现自改进的 AI 代理指明了方向。
-
AI 索引方法通过区分事实与假设来保持档案的完整性
本文讨论了使用 AI 索引个人档案的方法,强调了保存每条信息的来源和确定性的重要性。它为每个条目提出了一个四部分结构:来源片段、类别(姓名、地点等)、来源文档以及不确定性标签。这种方法旨在防止 AI 将假设与已验证的事实混淆,确保假设与已建立的记录分开存储。作者认为,虽然这可能看起来有些官僚,但它能带来更诚实、更可靠的个人档案搜索体验。
-
AI提示缓存失败通过重新排序消息上下文得到修复
一位开发者发现他们的多代理AI系统由于API调用中消息的顺序而未能从提示缓存中受益。提示缓存系统通常根据输入的某个前缀进行匹配,而将唯一的代理个性化信息放在共享文档上下文之前,导致每个代理的调用在第一个令牌处就出现分歧,从而阻止了缓存命中。解决方案是将消息重新排序,将大型、相同的上下文放在前面,然后是较小的、变化的个性化信息,这显著提高了缓存利用率并降低了成本。
-
AI代理的bug对标准监控不可见,需要新的调试方法
一位开发者遇到了一个问题,AI代理提供了不正确的、捏造的重置双因素身份验证的指令。尽管代理的回答自信但错误,系统监控工具仍报告请求成功且没有错误。核心问题在于,标准监控将整个代理交互视为一个单一的HTTP调用,未能检测到内部故障,如空检索或模型幻觉。开发者发现,将代理运行可视化为一系列步骤的树状结构,而不是一个平面事件,对于调试至关重要。通过将失败的运行与成功的运行进行比较,他们发现代理的失败源于一次空检索,然后该空检索被传递给模型,…
-
新框架将 AI Agent 架构分为五个层级
AI Agent 的架构可以通过五个不同的层级来理解:Prompt(提示)、Context(上下文)、Loop(循环)、Graph(图)和 Harness(约束)。这个框架通过识别哪个层级对故障负责,帮助开发者诊断和修复问题。Prompt engineering 专注于指令的措辞,而 context engineering 则处理呈现给模型的信息的选择和管理。Loop 层级控制 Agent 的执行时序,Graph 层级管理不同工作单元…
-
新框架利用操作指标自动化本体扩展
研究人员开发了COntExt,一个旨在利用结构化操作指标自动扩展形式本体的新框架。该系统分析指标定义,以建议将概念和属性集成到现有本体中,解决了当前本体扩展过程手动且劳动密集的问题。COntExt将扩展分解为预测父类、关系类型和数据属性,并在使用指标派生的上下文与本体上下文基线相比时,在四个网络安全本体的关系类型和数据属性建议方面表现出更高的准确性。
-
AlphaSchema 框架构建用于 Alpha 挖掘的基于 LLM 的交易语义
研究人员开发了 AlphaSchema,一个用于基于 LLM 的 Alpha 挖掘的新型框架,它构建了交易语义的探索。与之前将因子构建和搜索隐式委托给 LLM 的方法不同,AlphaSchema 明确定义了一个由事件、上下文、质量、方向和输出组成的语义空间。这种方法将探索与实现分离,允许 LLM 将模式计划转换为可执行因子,同时一个代理模型指导最优因子的搜索。在中国股市上的实验表明,AlphaSchema 发现的因子库具有强大的预测和…
-
Claude Code技能面临描述限制,影响AI选择工具的能力
Claude Code是Anthropic的Claude AI中的一项功能,其技能的描述文本处理能力有限。存在两个主要限制:每个技能的描述限制为1,536个字符,以及所有技能的总预算,占模型上下文窗口的1%。当超过这些限制时,Claude Code会悄悄地删除描述,从使用频率最低的技能开始,从而使AI更难选择它们。用户可以使用/doctor和/context等命令诊断这些问题,并通过修剪描述、通过`skillOverrides`将技能…
-
AI代理因数据不佳而失败,而非推理缺陷
AI代理之所以失败,不是因为推理缺陷,而是因为它们被喂食了不正确或过时的信息。这个问题常常被误认为是模型幻觉,当代理处理来自各种系统的陈旧指标、不完整的日志或未排序的数据时就会出现。代理输入的复杂性不断增加以及多步调查中发生的复合错误加剧了这个问题。解决这个问题需要关注输入到代理的数据的质量和及时性,而不是仅仅依赖于更大的模型或提示工程。