上下文工程决定Claude输出质量：子智能体分工、Skills精准注入

为什么你的AI输出总是一堆“AI浆糊”？错不在模型，错在你没搞懂上下文工程！

满怀期待地让AI写代码、做设计、出方案，结果它给你的东西简直没法看——逻辑混乱、语法错误、功能缺失，甚至一本正经地胡说八道。

你气得直拍键盘：“这破模型是不是脑子进水了？”但Jarrod Watts，这位深耕AI代理工作流的实践高手早就点破了真相：现在所谓的“AI浆糊”（AI slop）根本不是模型的问题，而是用户没掌握上下文工程（Context Engineering）！尤其在像Claude Code这样的黑盒系统中，上下文是你唯一能掌控的输入变量。

你给它喂什么，它就吐什么。喂垃圾，吐浆糊；喂精华，出神作。

所以，今天我们就来深扒上下文工程的底层逻辑，手把手教你把AI从“人工智障”调教成“人工高能”。

上下文到底是什么？别再以为只是你写的那几行提示词！

很多人以为“上下文”就是自己敲的那几句prompt，大错特错！在大语言模型的世界里，上下文指的是你发送消息时提供给模型的所有信息总和。

这包括你的当前提示、系统预设指令、对话历史、模型自己的“思考过程”、工具调用记录、子代理输出、元数据……统统算！简单说，上下文就是模型在回答你问题时“能看见的一切”。

而Claude Code的上下文窗口虽然标称20万token，听起来巨多，但实际能用的远没那么多。运行一下/context命令你就明白了：22.5%被系统预留作缓冲区，10.2%被系统提示占用，再算上MCP服务器、子代理、规则引擎这些开销，真正留给你的有效空间大概只有12万token。

更要命的是，即使你没填满窗口，上下文越长，模型性能越差——不是它傻，是它记不住那么多东西！

所以，上下文不是“越多越好”，而是“越精越好”。你的目标，是要找到那套“最小但高信号”的token组合，让每一字都发挥最大价值。

别被花哨功能带偏了！先搞定基础三件套，你已经赢了80%

刷X（原Twitter）时，你是不是总被各种炫酷的AI工作流刷屏：多智能体协作、MCP工具链、自定义技能库、动态钩子……看得眼花缭乱，恨不得立刻上手？

Jarrod Watts直接泼你一盆冷水：别急着搞复杂，先把基础打牢！

他说，只要做到三件事，你就已经站在了80%用户的前面：
第一，升级到Claude Code的最高套餐（/upgrade），别省那点钱；
第二，切换到目前最强的模型Opus 4.5（/model）；
第三，用/init命令初始化一个项目配置文件，让AI真正理解你在做什么。

这三步看似简单，却是高质量输出的基石。

再配合一个黄金流程：先用Shift+Tab进入“计划模式”，让AI主动问你问题澄清模糊点，反复打磨方案，最后再执行。
记住，好的输出始于好的计划，而好的计划始于消除歧义。你越早让AI明白你的意图边界，它就越不会跑偏。

每次对话都要有明确目标！别让AI在模糊中“自由发挥”

Jarrod Watts强调，每一次新开的对话线程，都必须聚焦一个清晰的具体目标。比如：“我要修复这个登录页的表单验证bug”或者“我想为后台管理面板加一个数据导出功能”。目标越具体，上下文越聚焦，AI出错的概率就越低。如果是全新项目，目标可以宽泛些，比如“搭建一个AI驱动的宠物社交App”，但这就要求你投入更多时间在计划阶段——因为模糊性越高，误解空间越大。这时候，别怕啰嗦，让AI反复问你问题，直到它开始问一些“为了问而问”的琐碎细节。

同时，主动要求它多次审查你的计划：架构是否合理？有没有安全漏洞？测试策略怎么定？上线后怎么监控？把所有可能的歧义点都用细节填满，你就堵死了AI“自由发挥”的后路。记住，AI不是读心者，它只是上下文的“翻译机”——你给的信号越密集，它翻译得越准确。

卡住了？别死磕！果断重置上下文才是高手操作

最怕什么？就是AI执行后结果离谱，你反复让它“重做”“改得更好”，结果它越改越烂，陷入“你不行→它更不行→你更崩溃”的死循环。

Jarrod Watts斩钉截铁地说：这时候千万别硬刚！继续在同一个上下文里折腾，只会把垃圾信息越堆越多，模型越陷越深。

正确的做法只有两个：
要么用/rewind命令回滚到之前状态良好的对话节点；要么干脆/new开个新线程，把原始需求重写一遍，并明确指出上次失败的具体原因，比如“不要用React Context做状态管理，上次那样做导致性能瓶颈”。新上下文干净清爽，模型没有历史包袱，反而更容易产出高质量结果。

另外，如果你担心快撑爆上下文窗口，可以手动运行/compact压缩，或者信任Claude Code自动利用那22.5%的预留缓冲区做清理。

总之，保持上下文轻盈、聚焦、高信号，是避免“AI浆糊”的核心法则。

警惕“复杂性陷阱”！MCP、子代理、技能库不是越多越好

社交媒体上充斥着各种“AI工作流炫技视频”，仿佛不用MCP服务器、不搞多智能体协作，你就落伍了。

Jarrod Watts却一针见血：大多数时候，这些高级功能反而会拖累你！

MCP（模型上下文协议）服务器虽然能接入GitHub、Figma、Linear等外部工具，但每次调用都会把大量低价值信息塞进上下文——比如整篇文档、冗长的API返回、无关的代码片段。这不仅吃掉宝贵token，还浪费你的算力费用。

他自己的经验是：只保留三个真正高效的MCP工具——Exa.ai（专为AI代理优化的网络搜索）、Context7（实时更新的AI工具文档）、Grep.app（GitHub代码搜索）。关键在于“按需获取”（Just-in-Time Context），即只在真正需要时才让AI调用工具查资料，而不是一股脑全塞进去。

用子代理当“图书馆员”？这才是节省上下文的神操作！

那怎么既用好外部工具，又不污染主上下文呢？

Jarrod Watts的私藏技巧是：用子代理/子智能体（Subagents）！

子代理是Claude Code里的独立AI实例，拥有自己的上下文窗口和模型配置（比如用便宜的Sonnet代替昂贵的Opus）。你可以创建一个专门的“图书管理员”子代理，让它负责去GitHub和文档站里挖掘高质量实现方案，然后只把浓缩的精华摘要返回给主代理。举个栗子：你在主对话里说“让图书管理员研究一下怎么用Y库实现X功能，然后帮我写Z”，子代理就会默默执行搜索、分析、总结，最后只用几句话把核心逻辑喂给主AI。

这样，主上下文始终保持干净，既省token又省钱，输出质量还更高。子代理的本质，就是把“信息采集”和“决策执行”解耦——让便宜模型干脏活累活，贵模型专注核心创造。

技能（Skills）不是魔法，只是高密度提示词的智能注入

很多人对“技能”（Skills）功能充满神秘感，以为是什么黑科技。

其实真相很朴素：Skills技能就是一段预设好的高质量提示词模板，在AI判断需要时自动注入当前上下文。

比如Claude Code内置的“前端设计师”技能，本质上就是一套关于UI/UX最佳实践的详细指南——什么情况下用Flex，什么场景避免绝对定位，字体层级怎么规范……当AI检测到你在做前端任务，它就会把这段“专家经验”临时加载进来，瞬间提升输出专业性。

但Jarrod Watts提醒：别滥用！每个技能都会占用token，如果当前任务根本不需要，硬塞进去反而浪费资源。技能的价值不在于数量，而在于匹配度。你可以自己编写技能模板，比如“安全审计员”“性能优化师”，但前提是——它真能解决你当前的痛点。

真正的高手，把AI当同事而不是工具

通篇读下来，你会发现Jarrod Watts的核心思想不是教你怎么“操控”AI，而是教你如何与AI高效协作。他反复强调：上下文工程的本质，就是像指导人类同事一样指导AI——给清晰目标、消歧义、供资源、设边界、及时反馈。

你不会指望一个新人工程师在没需求文档、没技术规范、没上下文的情况下写出完美代码，那为什么对AI有这种不切实际的期待？Opus 4.5这样的顶级模型已经具备惊人的理解力和创造力，但它的发挥上限，完全取决于你提供的上下文质量。别再抱怨AI“智障”，先问问自己：我给它的信息够清晰、够精准、够高价值吗**？

关于作者：Jarrod Watts是谁？

Jarrod Watts是AI代理工作流领域的知名实践者和布道者。他长期深耕Claude生态，尤其擅长通过上下文工程、子代理架构和工具集成，将AI代理转化为高效可靠的生产力引擎。他的X账号（@jarrodwatts）以输出高密度、可落地的AI工作流技巧著称，拒绝空谈理论，专注解决开发者在真实场景中遇到的痛点。他提出的“最小高信号上下文”“子代理分工”“技能即提示”等理念，正在影响越来越多AI重度用户的操作范式。如果你厌倦了与AI的无效拉扯，他的方法论值得反复咀嚼。