通过智能体技能演化实现的元上下文工程

大语言模型的运行效能高度依赖其推理时的上下文，这促使上下文工程（CE）成为优化输入的正式学科。现有CE方法依赖人工设计的固定流程和预定义模式，存在结构偏见且限制了优化空间。本文提出元上下文工程（MCE），一种双层框架，通过协同演化CE技能与上下文工件，取代静态启发式方法。在MCE迭代中，元层智能体通过智能体交叉操作，在技能历史、执行记录与评估结果中进行深思熟虑的搜索以优化工程技能；基底层智能体则执行这些技能，从训练轨迹中学习，并将上下文优化为灵活的文件与代码。在五个不同领域及离线/在线设置下的实验表明，MCE相较当前最先进的智能体CE方法平均提升16.9%（相对提升5.6%–53.8%），同时在上下文适应性、迁移性及使用与训练效率方面表现更优。