context-degradation

長いAIセッションでは、コンテキストウィンドウがいっぱいになると、重要な意思決定、ファイル変更、次のステップが失われます。このスキルは、Claude、Codex、Claude Code向けに、構造化された圧縮手法と評価プローブを提供します。

エージェントチームには、品質、リグレッション、コンテキスト変更を測定するための再現可能な方法が必要です。このスキルは、ルーブリック設計、テストセット、スコアリング、モニタリングをガイドします。

長いエージェントセッションでは、トークンを浪費し、応答が遅くなり、重要なコンテキストを失うことがあります。このスキルは、Claude、Codex、Claude Code に、圧縮、マスキング、キャッシュ、分割のための実践的な方法を提供します。

マルチエージェントシステムは、調整、コンテキストの分離、障害モードが相互に影響するため、設計が困難です。このスキルは、信頼性の高いエージェントチームを構築するための実践的なパターン、トレードオフ、例を提供します。

エージェントツールは、説明、スキーマ、エラーメッセージが曖昧だと失敗します。このスキルは、より明確なツールAPI、より安全な統合、より良いテストのための実践的なパターンを提供します。

LLM評価の品質は、判定者が曖昧なルーブリックや偏った比較を使うと低下しがちです。このスキルは、Claude、Codex、Claude Codeに対して、スコアリング、ペアワイズレビュー、バイアス緩和、指標選定をガイドします。

プロンプト、ツール、履歴、検索取得がコンテキストを奪い合うと、エージェントシステムは信頼性を損なうことがあります。このスキルは、コンテキストの構成要素と、予算管理、段階的開示、検証のための実践的なパターンを説明します。

長いタスクでは、コンテキスト、意思決定、復旧メモが失われることがあります。このスキルは、エージェントが再読して更新できるmarkdownファイルに計画、メモ、成果物を保持します。

AIチームには、複雑なワークフロー全体でコンテキスト、メモリ、検索を管理するための信頼できる方法が必要です。このスキルは、RAG、ベクトル検索、ナレッジグラフ、マルチエージェント間の引き継ぎに関するアーキテクチャ選定を支援します。

チームがエージェント、検索、メモリ、ツールを使ってLLMアプリケーションを構築する際には、再利用可能なパターンが必要です。このスキルは、ワークフロー、コールバック、テスト、本番環境チェックを計画するための体系的なLangChainガイダンスを提供します。

プロンプトが曖昧、冗長、または価値の低いコンテキストで過負荷になると、AIエージェントは失敗します。このスキルはAnthropicのコンテキストエンジニアリングの原則を適用し、明確で構造化された、シグナルの強いプロンプトの作成を支援します。

エージェントはセッションをまたぐと、有用なコンテキストを失いがちです。このスキルは、ベクトル、グラフ、時間的検索を使った階層型メモリ設計をガイドします。