用 Jev 做 prompt 爬虫的分支决策
作者把 system prompt 拆成图，遍历每个分支时用 Jev 决定继续、停止、换路还是交给大模型，在真正调用 LLM 前先做一次路由。
我做了一个 PROMPT CRAWLER，它会先判断，到底什么内容值得进入 CONTEXT WINDOW。 我现在越做 AI agents，就越觉得传统的 prompt engineering 有点奇怪：先堆一个巨大的 system prompt，整段丢给 LLM，然后希望模型自己判断这次到底哪些内容真的重要。 所以我想把它当成一个 context engineering 问题来处理。 这个 crawler 会把 system prompt 拆成一张图。role、objective、context、rules、review 这些部分不再只是一个大段文本。它会沿着这些部分之间的关系往下走，找依赖、标记模糊的地方，也会告诉你哪些部分其实真的彼此相关。 这次运行的数据是： > 181/181 words read > 45 links found > 12 places flagged > 0 guessed > spec score: 82 但真正有意思的是 traversal 里面发生的事。 我把 Jev 放进了这里。 每走到一个新的分支，它不需要生成一大段文字。它只需要做一个 decision：继续往下、停下来、换一条分支，还是把某一块交给更大的 reasoning model。 本质上，这就是在真正发生 LLM call 之前先做一次 LLM routing。 而我越看这个结果，越觉得现在 AI agents 的瓶颈已经不只是模型能力了。 问题越来越变成：我们到底有没有判断好，什么 context 应该进入模型。 更大的 context window 并不会自动修好差的架构。 它只是让你有能力把更多没必要的东西一起塞进去。 视频里可以直接看到 crawler 怎么沿着 prompt 一路往下走，最后慢慢拼出一张真正有意义的结构图。 对我来说，这也是现在从 prompt engineering 往 context engineering 迁移里最有意思的地方。 有时候，想让大模型回答得更好，最有效的方法不是再给它更多内容。 而是先别把那些它根本不需要看的东西发给它。
这条是引用着另一条写的：x.com/make_claude/status/2105380835675312294