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
9 天有情绪数据
-
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。
-
论文提出基于上下文的线性映射用于神经网络
该条目讨论了一篇论文，该论文提出了神经网络的“上下文”视角，认为这种视角可以简化为对层的一种“平均最佳线性映射”的理解。该论文通过考虑神经网络层的上下文作用，提供了一种概念化其功能的新方法。
-
大语言模型类比：星系代表语义空间，提示词是入口点
一种新的类比将大语言模型比作夜空中的星系，每个星系代表一个语义空间。用户的提示词既是方向，也是进入其中一个星系的入口点。模型在空间中的遍历受到温度等参数的影响，温度控制着标记（星辰）之间的“跳跃距离”，而上下文则塑造了导航路径。
-
新的 pxpipe 代理将提示嵌入图像以降低 LLM 代币成本
一个名为 pxpipe 的新代理工具已被开发出来，用于将提示和上下文直接嵌入图像。这种方法旨在显著降低使用 Claude 等大型语言模型的代币成本。通过在图像本身内预处理输入，pxpipe 提供了一种优化 LLM 使用并可能降低运营支出的方法。
-
OpenAI推出记录与回放功能，AWS解决智能体短板，OpenAI公布财务数据 · 跟踪1个来源
OpenAI为其Codex产品推出了一项名为“记录与回放”（Record & Replay）的新功能，允许用户通过录制屏幕交互来演示工作流程，然后通过单一命令实现自动化。该功能将范式从提示工程（prompt engineering）转向演示工程（demonstration engineering），使自动化更加易于访问。与此同时，AWS在其纽约峰会上推出了Continuum和Context服务，以解决企业AI智能体在安全性和业务上下文…
-
AWS 通过知识图谱和代码安全工具增强 AI 代理基础设施
AWS 正在通过新的 Context 和 Continuum 工具来增强其 AI 代理基础设施。Context 将提供源自企业数据的知识图谱，旨在减少 AI 幻觉。Continuum 旨在自动检测、优先处理和修复 AI 生成代码中的漏洞。这些进步旨在实现 AI 代理更安全、更高效地集成到业务运营中。
-
新架构赋能主动式AI代理自主推进任务
研究人员引入了Context，这是Magarshak架构的一个智能层，旨在用主动式、目标导向的代理取代传统聊天机器人。这些代理无需用户持续提示即可推进共享任务，利用了可组合的沙盒程序和声明式连接系统。该架构旨在通过预计算上下文和重用KV缓存来提高效率并降低计算成本，并有形式化证明支持其稳定性和主动优势。
-
分析发现AI准确性取决于上下文，而非仅仅是规范
根据一项新分析，AI代理准确性的前沿正从模型和提示转向上下文。仅仅向AI提供一份完善的规范会导致其重播过时信息，因为现实世界系统不可避免地会偏离其初始设计。真正的准确性是通过向AI提供这些漂移的原因来实现的，例如实现变更或操作例外，使其能够接近“今天的真相”。