Context Engineering Is Changing. Here’s What It Means for Data Scientists
如何将最新的上下文工程指南应用到日常数据科学工作中后上下文工程正在发生变化。这对数据科学家意味着什么首先出现在《走向数据科学》上。
AI Agents Don’t Need More Context — They Need Typed Context
人工智能代理不仅存在上下文问题，还存在上下文输入问题。当指令、内存、检索到的证据和工具输出被扁平化为一个字符串时，它们的语义边界就会消失。我构建了一个轻量级、零依赖的 Python 运行时，它可以使这些边界保持明确，跟踪出处，并在无效的上下文转换到达模型之前拒绝它们。本文介绍了实现、测试以及这种方法的作用和不保证的内容。《人工智能代理不需要更多上下文 — 他们需要类型化上下文》一文首先出现在《走向数据科学》上。
Kimi K3’s 1M Token Context Window vs. RAG: Cost, Latency and Answer Quality
对相同 12 个问题、相同系统提示和相同模型的前 5 个 RAG 管道和完整的 127,000 个令牌提示进行受控比较。对正确性、完整性和接地性进行盲评分。Kimi K3 的 1M 令牌上下文窗口与 RAG：成本、延迟和答案质量一文首先出现在 Towards Data Science 上。
Microsoft reveals customizable context menu for Windows users - how to try it out
您将能够调整 Windows 中的右键单击上下文菜单以删除不需要的项目，从而减少混乱。
Context Rot in Large Language Models
为什么重要：上下文腐烂使得法学硕士在窗口填满之前就失败了。了解原因、如何测量以及确保答案可靠的上下文工程修复。
How to Build a Context Layer and a Company Brain
将公司分散的知识转化为法学硕士可以可靠使用的东西实际上需要什么——以及为什么演示占工作量的 5%。如何构建上下文层和公司大脑的帖子首先出现在走向数据科学上。
Coding Agents Don’t Need Bigger Context Windows — They Need a Context Compiler
大多数编码代理将提示构造视为检索：收集更多文件，添加更多上下文，希望模型能够弄清楚。但这种方法很快就会失效。随着上下文的增长，不相关的代码会争夺注意力，当窗口填满时，智能体开始压缩自己的内存——通常是在任务中。看似“遗忘”的东西通常只是退化的环境。本文探讨了一种不同的方法：将提示构造视为编译器，决定保留什么、减少什么以及完全丢弃什么。编码代理不需要更大的上下文窗口 - 他们需要上下文编译器首先出现在走向数据科学上。
Context Windows Forget What Matters — I Built a Usage-Reinforced Decay Engine for AI Agent Memory
大多数人工智能记忆系统保存的是最新信息，而不是最重要的信息。以下是我如何使用艾宾浩斯遗忘曲线为法学硕士构建更好的内存引擎。后文“上下文 Windows 忘记重要的事情——我为 AI 代理内存构建了一个使用强化的衰减引擎”首先出现在《走向数据科学》上。
Build agentic creative workflows with Amazon Quick and fal
创意团队生产的资产比以往任何时候都多，但分散的工具和手动上下文传输会减慢生产速度。本文展示了如何使用 Amazon Quick 和 fal 构建可重复使用的代理工具，并通过模型上下文协议 (MCP) 连接，并使用两个实践工作流程：八面板故事板和音乐视频概念原型。
当你停止提供模型上下文并让它自己寻找自己的内容，在严格的限制内遍历知识图时会发生什么，以及四个模型和一个错误的预测揭示了这是否值得做。停止给你的人工智能代理一个搜索框并开始给它输入类型的工具，硬边界和一个它不能说话的门首先出现在走向数据科学上。
The Local AI Stack for Productive SLMs
一个实用的框架，用于在本地人工智能设置的每一层（从模型服务到上下文检索）选择正确的工具。
Reduce RAG costs on Amazon Bedrock with query-aware compression
输入令牌通常是大规模运行检索增强生成 (RAG) 成本的重要组成部分。本文介绍了 Amazon Bedrock 上的查询感知上下文压缩模式：检索后，较小的模型会在主模型回答之前根据查询过滤检索到的块，从而减少输入令牌和成本，同时保持答案质量。
Next Gen ‘Harvey II’ Launches with Memory at Its Core
Harvey 正在推出下一代法律人工智能平台，其核心功能是记忆能力，以及偏好设置、上下文共享和学习......
Prompt Debt and “Fighting the Weights”
Drew Breunig 是当今人工智能领域最聪明的人之一。他是 cmpnd.ai 的首席执行官兼联合创始人，也是一位资深黑客，拥有多个时代的丰富经验，这在当今是一笔令人惊讶的宝贵资产。他还有一本书即将出版，《上下文工程手册》，已经在早期发布中 [...]
IEEE Transactions on Cognitive and Developmental Systems, Volume 18, Issue 4, August 2026
1) 基于混合预测网络的有限感知多智能体侦察博弈作者：X. Shen，B. Hu，Z. -H。关, D. 张, T. Li 页数: 858 - 8722) 黎曼流形上的脑电网络连通性的低维矩阵判别分析用于情感识别作者: H. Fang, M. Wang, Z. 张, Y. Wang, Y. Yang 页数: 873 - 8873) 学习表达性任务嵌入和上下文转换的样本高效探索Reduction in Offline Meta-Reinforcement Environment作者：H. Wang, X. Tan, T. Yao, Z. Fang, P. Qi, X. QiuPages: 888
How LendingTree built a multi-agent mortgage assistant on Amazon Bedrock
了解 LendingTree 如何在 Amazon Bedrock 上构建生产型多代理抵押贷款助理。三个协调代理使用 LangGraph、模型上下文协议和带有内置护栏的 Amazon Nova 模型来提供 24/7 个性化抵押贷款指导，同时满足严格的金融服务合规性。
企业文档智能 [Vol.1 #11] - 当第一个答案指向文档中的其他位置时，管道循环返回以获取链接的上下文交叉引用的后循环工程：当 RAG 答案“参见第 7.2 节”而不是实际答案首先出现在《走向数据科学》上。
GH-ESD: Grounded Hypothesis-Driven Error Slice Discovery for Instance-Level Vision Tasks
视觉模型在语义相干子集上的系统性失败（称为错误切片）揭示了鲁棒性和评估的局限性。现有的切片发现方法主要将切片建模为表示空间中的簇或预定义属性的组合。虽然对于图像级分类有效，但这种公式对于对象检测和分割等实例级任务来说是不够的，在这些任务中，失败通常是由上下文关系和空间基础的视觉模式引起的。我们提出 GH-ESD（扎根假设驱动的误差切片发现），...
