如果今天讨论 Agent 还停留在"怎么写 prompt"，就已经太窄了。

像 Codex、Claude Code 这类现代 coding agent，在你按下回车之前，系统已经完成了一系列复杂的上下文工程：加载 AGENTS.md、注入 skills 摘要、过滤 MCP tools、组装 developer message……你看到的"一条 prompt"，背后是多层结构化注入。

Prompt Engineering 仍在，但已经不够解释现代 Agent。 更关键的是 Context Engineering。

一、上下文不是单条 prompt，而是多层注入

从本地 notebook 的记录看，Codex 类 Agent 的上下文，不是一条 system prompt 搞定，而是分层的：

role:system(base_instructions)  
  ↓  
role:developer → 权限与沙箱规则 permission 注入  
  ↓  
role:user → AGENTS.md (注入)  
  ↓  
role:developer → collaboration_mode 注入  
  ↓  
[turn flag]  
  ↓  
role:user → 真实的用户请求

这里的每一层，都有自己的职责：

  • base/_instructions：定义 agent 的基本行为、价值观、交互风格
  • developer message（权限）：沙箱规则、文件系统访问权限
  • developer message（协作模式）：Default / Plan 模式切换
  • user message（上下文）：AGENTS.md + Skills summary + environment/_context
  • user message（真实请求）：当前回合用户真正想做的事

用更技术的方式表达，在发送给模型之前，一个典型的回合请求体长这样：

{  
  "instructions": "You are Codex, a coding agent based on GPT-5...",  
  "previous_response_id": "resp_abc123",  
  "input": [  
    { "role": "developer", "content": "<collaboration_mode>..." },  
    { "role": "user", "content": "# AGENTS.md instructions..." },  
    { "role": "user", "content": "## Skills/nA skill is..." },  
    { "role": "user", "content": "帮我重构这个函数" }  
  ],  
  "tools": [  
    { "type": "function", "name": "exec_command", ... },  
    { "type": "function", "name": "spawn_agent", ... }  
  ]  
}

二、AGENTS.md：仓库入口层

Codex 会加载两类 AGENTS.md：

  • 用户级：~/.codex/AGENTS.md（个人偏好、通用指令）
  • codebase 级：项目根目录的 AGENTS.md（项目结构、技术栈、构建命令）

一个典型的 AGENTS.md 结构（简化版）：

# AGENTS.md instructions for /home/xx/test  
  
<INSTRUCTIONS>  
agents.md from ~/.codex     => user level  
  
--- project-doc ---  
  
agents.md from codebase     => codebase level  
  
## Skills  
...  
</INSTRUCTIONS>

设计原则：Progressive Disclosure。

  • 不把所有细节都堆进 AGENTS.md
  • 用索引指向其他文档（如 .codex/docs/architectural_patterns.md）
  • 保持 AGENTS.md 在 150 行以内

AGENTS.md 的角色是"仓库入口层"，让 agent 知道：

  • 这是什么项目
  • 用什么技术栈
  • 哪些 skills 可用
  • 构建测试命令是什么

不是所有上下文都塞进 AGENTS.md，而是用索引指向更多信息。

三、Skills：渐进式加载的智慧

Skills 的关键，不是"有多少 skills"，而是"如何加载"。

Codex 在 session 初始化时，先注入的是 skills summary，而不是完整 SKILL.md：

## Skills  
A skill is a set of local instructions to follow that is stored in a `SKILL.md` file.  
  
### Available skills  
- skill-creator: Guide for creating effective skills... (file: /root/.codex/skills/.system/skill-creator/SKILL.md)  
- skill-installer: Install Codex skills into $CODEX_HOME/skills... (file: /root/.codex/skills/.system/skill-installer/SKILL.md)  
  
### How to use skills  
- Discovery: The list above is the skills available in this session  
- Trigger rules: If the user names a skill OR the task clearly matches a skill's description  
- How to use a skill (progressive disclosure):  
  1) After deciding to use a skill, open its `SKILL.md`  
  2) When `SKILL.md` references relative paths, resolve them relative to the skill directory  
  3) If `SKILL.md` points to extra folders such as `references/`, load only the specific files needed

渐进式加载的流程：

  1. Discovery：注入 summary（name + description + file path）
  2. Trigger：用户提到 skill name，或任务匹配 description
  3. Load：读取对应 SKILL.md（按需加载，不提前加载所有）
  4. Resolve：相对路径基于 skill 目录解析
  5. Context hygiene：只加载需要的文件，避免深度引用追踪

这种设计有几个好处：

  • token 效率：不把所有 SKILL.md 都塞进上下文
  • 按需加载：只有被触发的 skill 才会读取正文
  • 可扩展性：可以有很多 skills，不影响初始上下文大小

四、Tools：运行时能力，而非 API 选项

从 tool-schema-codex.ipynb 看，Codex 的 tools 不只是 function calling，还包括一系列运行时能力：

1. function exec_command：执行 shell 命令  
2. function write_stdin：向已有命令会话写入 stdin  
3. function update_plan：更新任务计划与步骤状态  
4. function request_user_input：向用户发起结构化问题  
5. custom apply_patch：用 patch 语法编辑文件  
6. web_search：网页搜索  
7. function view_image：读取本地图片  
8. function spawn_agent：启动子代理  
9. function resume_agent：恢复已关闭的子代理  
10. function wait：等待一个或多个子代理完成  
11. function close_agent：关闭子代理

关键区分：

  • Skills：静态指令集，存在 SKILL.md 中，通过上下文注入
  • Tools：运行时能力，通过 API 的 tools 字段暴露

spawn/_agent / wait / resume / close/_agent 的存在，说明现代 Agent 不只是"调一个 function"，而是有一个持续执行与协作的 runtime。

子代理有自己的角色：

  • default：通用 fallback
  • worker：执行-focused，用于实现和修复
  • explorer：read-heavy，用于代码库探索
  • monitor：长时间任务监控（优化等待/轮询）

这不是外挂，而是 runtime 的组成部分。

五、responses.create 的结构启示

一个典型的请求体：

data.keys()  
# dict_keys(['type', 'model', 'instructions', 'previous_response_id',  
#            'input', 'tools', 'tool_choice', 'parallel_tool_calls',  
#            'reasoning', 'store', 'stream', 'include', 'prompt_cache_key',  
#            'text', 'client_metadata'])

简化后的核心字段：

{  
  "instructions": "You are Codex...",  
  "previous_response_id": "resp_xyz789",  
  "input": [...],  
  "tools": [...]  
}

几个关键观察：

  1. instructions：独立的顶层指令，相当于 base/system prompt
  2. input：可以是 developer / user / assistant / function/_call/_output，不只是"聊天消息"
  3. previous_response_id：上下文链路，后续回合往往只发增量 input，不是重发完整历史
  4. tools：built-ins + filtered MCP tools（不是无脑全量暴露）

很多现代 agent 依赖 response chain 维持上下文，而不是每轮重发全量聊天记录。这是 Context Engineering 的一部分。

结尾：现代 Agent 的设计分水岭

从这组材料能得出的判断：

  1. Prompt Engineering 仍在，但已经不够。上下文工程才是现代 Agent 的核心竞争力。

  2. AGENTS.md、Skills、Tools、MCP 不是并列概念：

    • AGENTS.md 是仓库入口层
    • Skills 是静态指令集（渐进式加载）
    • Tools 是运行时能力（包括子代理协作）
    • MCP 是外部工具协议

  3. 现代 Agent 更像 runtime，而不是聊天壳子：

    • 有持续执行能力（exec/_command / wait / resume）
    • 有协作能力（spawn/_agent / close/_agent）
    • 有上下文管理能力（AGENTS.md / Skills / response chain）

  4. 设计分水岭：不是"模型参数更大"，而是"上下文工程 + 运行时设计更成熟"。

    至少在 Codex 这类工具里，Context Engineering 已经成为 Agent 差异化的关键。理解这一点，对设计自己的 Agent 系统至关重要。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）
在这里插入图片描述

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。
在这里插入图片描述

在这里插入图片描述

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

在这里插入图片描述

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）
在这里插入图片描述

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）
在这里插入图片描述

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）
在这里插入图片描述

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

在这里插入图片描述
在这里插入图片描述

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）
# microsoft # 人工智能 # 知识图谱 # 深度学习 # AI
Logo
龙虾开发者社区

小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用

更多推荐

cover

天气查询 Agent 零基础教程

avatar 龙虾开发者社区
cover

2026年怎么搭建Hermes Agent/OpenClaw？保姆级部署及token Plan配置教程

avatar 龙虾开发者社区
cover

2026年Hermes Agent/OpenClaw如何集成？喂饭级部署及token Plan配置全攻略

avatar 龙虾开发者社区