问：上下文（Context）和上下文窗口（Context Window）什么差别？ 这两个概念经常被混用，但其实指的是不同层面的东西： 上下文是指 AI Agent 在执行任务时实际拥有的所有信息，包括系统提示词、用户的对话历史、检索到的文档、工具调用的结果、记忆模块注入的内容等等。你可以把它理解为“Agent 此刻脑子里装的所有东西”。上下文是一个动态的、可以被工程化管理的概念——哪些信息该放进来、什么时候放、怎么组织，这就是现在越来越多人说的 Context Engineering。 上下文窗口则是模型层面的一个硬性限制，指的是模型单次推理能处理的最大 token 数量。比如 128K、200K、1M 这些数字，说的就是上下文窗口的大小。它本质上是一个“容器的容量”。 打个比方：上下文窗口是你厨房操作台的面积，上下文是你实际摆在台面上的食材、调料、菜谱和工具。台面就那么大（上下文窗口有上限），但你放什么上去、怎么摆放（上下文的管理）决定了你能不能高效做菜。 在 Agent 开发中，一个核心挑战就是：Agent 需要的上下文往往远超上下文窗口的容量。对话越来越长、工具调用结果越来越多、检索的文档越来越大——这些都在消耗上下文窗口的空间。所以才需要各种策略来管理：摘要压缩历史对话、选择性检索而不是全量灌入、及时清理不再需要的中间结果等等。 简单总结就是：上下文（Context）是“内容”，上下文窗口（Context Window）是“装内容的容器”。做 Agent 工程的核心功夫之一，就是在有限的“上下文窗口”里塞进最有价值的“上下文”。

Cursor 新加入的 Context Breakdown 简直是强迫症的福音🔥 以前咱们用 Cursor 写代码，总感觉 Claude 模型 Token 像流水一样莫名其妙就没了 现在暗箱终于被打开：System prompt、Tools、MCP、Subagents 占了多少比例一目了然 我们可以直观看到还没开始对话，挂载的 Tools 就已经吃掉了一大块上下文 随着我们给 AI 接入越来越多的能力Rules, Tools,Skills, MCP，上下文窗口在打下第一行字之前就已经处于负重的状态 为什么这很重要？ 无用的上下文等于浪费Token 费用 冗长的 Tools 描述会稀释 LLM 对核心意图的注意力 我的建议把 Context 当作最宝贵的系统内存来管理 精简那些低频的 Tool 描述，按需加载你的 MCP 模块 精细化的上下文管理，才是高阶 AI 玩家的分水岭

吴恩达开源了Context Hub 的项目，维护了一个巨大的Docs Hub。 主要是由社区精心整理、版本化的 API 文档知识库，支持按需检索、本地标注和反馈循环等功能。 有效减少AI 生成代码的幻觉问题，是的，到目前为止，AI 生成代码的幻觉问题还是很严重。 它的做法很直接： 1、给 Agent 提供精心策划、版本化的文档（替代它自己上网瞎搜） 2、Agent 用一次发现坑了，可以本地写个 annotation，下次自动附在文档后面 3、文档评分会回流给作者，作者据此更新内容，所有人受益 整个 CLI 4 个命令： chub search stripe 找文档 chub get stripe/api --lang py 拉文档 chub annotate stripe/api "webhook 验签要用 raw body" 写本地笔记 chub feedback stripe/api up 打分

如果你还在一个个去找 MCP（Model Context Protocol）工具，或者苦恼怎么把各种 AI Agent 接进自己的工作流，兄弟们直接看，这玩意绝对能省你几十个小时。 开源项目 activepieces/activepieces 在 GitHub 已经暴下 12,000+ Stars（MIT 协议），简直是开源自动化领域的“核武器”。 它最顶的地方就在于： 400+ 现成 MCP 与 Agent 插件：直接对接你现有的各种 AI 工具链。 全自动可视化工作流：类似 N8N / Zapier，但完全开源且专为 AI 优化。 免费本地部署：自己跑在 Docker 里，数据完全不出户，白嫖党狂喜。 开箱即用无门槛：搭好之后拖拽就能用，彻底摆脱写胶水代码的折磨。 别再去到处找独立的 AI 插件了，一套全给你打包解决。 🔗 传送门：

吴说获悉，Aptos Foundation 宣布成为 Legal Context Protocol（LCP）的创始贡献方之一。LCP 由 ADR 发起，并联合 Google、Circle 等机构推出，旨在为 AI Agent 自主交易场景提供可验证的法律条款、用户授权及争议解决标准，以提升 AI 代理经济中的合规性与可执行性。