通过Agentic技能演化的元上下文工程

大语言模型的运行效力在很大程度上依赖其推理时上下文。这使上下文工程（CE）成为优化这些输入的一门正式学科。当前的CE方法依赖人工制作的框架（harness），如僵化的生成-反思工作流和预定义的上下文模式。它们施加结构性偏置，把上下文优化限制在狭窄、依赖直觉的设计空间内。为解决这一点，我们提出元上下文工程（MCE），一个双层框架，通过共同演化CE技能与上下文工件，取代静态的CE启发式方法。在MCE迭代中，元层智能体通过agentic交叉——对技能历史、技能执行及评估的深思式搜索——来精炼工程技能。基层智能体执行这些技能，从训练回放中学习，并把上下文优化为灵活的文件和代码。我们在五个不同领域的离线与在线设置下评估MCE。MCE展现出一致的性能增益，相对最先进的agentic CE方法取得5.6--53.8%的相对提升（均值16.9%），同时在上下文使用和训练两方面保持更优的上下文适应性、可迁移性与效率。