摘要自anthropic：Effective context engineering for AI agents

引言：从单一提示到上下文状态管理

在构建复杂的 AI 智能体（Agent）时，我们关注的焦点已不再仅仅是如何写出“魔法”般的提示词（Prompt）。大型语言模型（LLM）的推理过程是一个多轮、动态的状态管理过程。因此，我们需要从“提示工程”（Prompt Engineering）迈向上下文工程（Context Engineering）。

提示工程侧重于如何编写和组织 LLM 指令以获得最佳结果。而上下文工程，作为提示工程的自然演进，则关注于在 LLM 推理过程中策划和维护最优的代币集合（信息）的整套策略。系统提示（System Prompts）是 Agent 初始、静态上下文的核心组成部分，其编写质量直接决定了 Agent 的初始效用和指导方向。

有效的上下文工程要求我们“在上下文中思考”（thinking in context），即如何利用有限的上下文窗口，找到最小可能集合的高信号代币，最大限度地提高所需结果的可能性。

原文来自anthropic：Writing effective tools for agents — with agents

本文概述了为AI代理构建高效工具的关键策略，强调了工具对代理效能的重要性。文章详细介绍了如何通过原型构建、综合评估以及与AI代理（如Claude Code）协作来优化工具。它还阐述了编写高质量工具的原则，包括选择合适的工具、进行命名空间管理、返回有意义的上下文、优化令牌效率以及进行提示工程。最终目标是使代理能够更直观、高效地解决现实世界中的各种任务。

介绍元提示词的概念和应用，通过模版化和反馈迭代机制，帮助生成更高质量的AI提示词，提高大语言模型的输出效果。

学校有一个实验要做柑橘识别，因此想要用 tensorflow 用自己的训练集训练出一个只识别柑橘的模型出来，故有下文，别的物体识别也可以使用这种方式自己找数据去训练

完整代码

特征(属性)

通常是训练样本集的列，可看作是每个列的列名，比如区分鸟的品种可以用体重，后背颜色此类的特征来加以区分

特征实例

某一特征列其中的数据