WorkBuddy技能评测 #218 | 上下文工程 20 讲：这一档唯一值得逐份读完的技术合集

2026-11-05silcano

基本信息

• 技能名：context-engineering 合集（advanced-evaluation、context-fundamentals、context-compression、context-degradation、context-optimization、memory-systems、multi-agent-patterns、tool-design、filesystem-context、evaluation、digital-brain、comprehensive-research-agent、project-development、reasoning-trace-optimizer、book-sft-pipeline、bdi-mental-states、hosted-agents、skill-template、context-engineering-collection 等 20 条）
• 来源仓库 Star 数：7,968
• 分类：Data & AI（8）、Developer Tools（5）、Productivity（2）
• 数据来源：SkillKit 中央技能库（WorkBuddy 生态的第三方技能市场，非官方自研）

它解决了什么痛点

大多数人用 AI 写代码，卡住的地方不是「模型不够聪明」，而是上下文给错了：该给的没给、不该给的塞了一堆、给到一半被压缩掉、多轮之后模型开始忘事。这组技能就是把这些「说不清的玄学」逐条拆成可操作的规则——context-fundamentals 讲上下文窗口里到底该放什么，context-compression 讲怎么在压缩时不丢关键约束，context-degradation 讲长对话为什么越来越笨，memory-systems 讲跨会话记忆该怎么存，tool-design 讲工具描述怎么写模型才用得对。

它不是「帮你干活的技能」，是教你怎么组织 AI 工作流的教材——每份都短，但每份都对应一个你踩过的坑。

对我有没有用（技术 / 自媒体 / AI / 读书）

AI：本档最强，没有之一。如果你只从整个 5k-1w 档里拿三样东西，context-fundamentals、context-compression、tool-design 就是那三样——它们解释的正是「为什么同一句话，别人问 AI 效果好、你问就糊」。技术：强相关，advanced-evaluation 和 evaluation 讲怎么给 agent 打分（不是靠感觉），reasoning-trace-optimizer 讲怎么读模型思考链找 bug。自媒体：间接——多智能体编排（multi-agent-patterns）可以拿来写「AI 工作流」选题，但直接产出内容的能力没有。读书：弱。

要说缺点：这批技能是「内部方法论外泄」的类型，很多份写得像会议纪要（desc 里大量重复的 This skill should be used when the user asks to…），需要你有一点 LLM 工程底子才能读进去。

典型场景

你的 AI 写着写着开始瞎改文件。做法：装 context-compression + tool-design，然后让 AI 用这两份的规则重写你的项目 CLAUDE.md——把「必须遵守的约束」和「可查的资料」分层，把工具说明改成「什么时候该用、什么时候不该用」。成果：同样一个模型，改文件出错率明显下降；更关键的是你能说清「为什么之前错了」，而不是换个模型碰运气。

一句话结论

整档最该读的一组。别当工具装，当教材读：3 份核心（context-fundamentals / compression / tool-design）+ 1 份评估，够你用很久。

📊 完整对比数据见在线总表：WorkBuddy 技能市场全量调研总表（腾讯文档）