ChatBot 时代“ Prompt 决定效果”；24 年底 Agent 形态爆发，单任务动辄几十上百次工具调用，动态上下文体量指数级膨胀，传统逐轮裁剪导致 Prompt Cache 失效、成本激增。Qoder 将上下文拆为静态 Prompt 与动态 Action/Observation，融合代码库分析、开发者行为感知、执行反馈、和网络实时信息获取四大维度，按“保留完整历史 + 工具输出精细裁剪 + Todo 持续引导”策略组装，配合 Prompt Cache 与错误回溯保留，实现 90% 延迟下降、5-20% 成本压缩，任务完成度和效果大幅度提升。本次演讲我将分享 Qoder 的 Context Engineering 实践。

演讲提纲

1. 静态上下文（Static Context）

• System + User + Tools Prompt

2. 动态上下文（Dynamic Context）

• 基于代码库的上下文（Context From Codebase）
• 基于开发者行为的上下文（Context From Behavior）
• 基于执行反馈的上下文（Context From Execution）
• 基于互联网内容的上下文（Context From Internet）

3. 上下文组装的策略与实践

• 前缀保持稳定，最大化 Prompt Cache
• 多粒度语义蒸馏与重组
• 认知焦点持续性牵引
• 超限场景下的弹性降载
• 先验错误 & 过程错误的注入

您认为，这样的技术在实践过程中有哪些痛点？

• 缓存命中 vs 长上下文腐化
• 工具输出裁剪 vs 信息丢失

演讲亮点

• Coding Agent 在上下文处理上的最新实践，结合编码场景，实际遇到的问题和经验分享

听众收益

• 从 Coding 的视角和场景，看 Agent 的构建有什么异同
• 面向失败的系统工程：如何把 Lint、单测、运行时异常全部沉淀为可检索的上下文，让 Agent 从第一次失败就持续学习，减少重复踩坑