feat: add interactive demos for AI history, Auth design, and Git intro

docs/zh-cn/appendix/context-engineering.md

@@ -2,6 +2,13 @@
 
 > 💡 **学习指南**：如果说 Prompt Engineering 是教 AI "怎么说话"，那么 Context Engineering 就是教 AI "怎么记事"。本章节将通过一系列交互式实验，带你深入理解 AI 的记忆机制，从基础的滑动窗口到高级的 RAG 系统，掌握让 AI "过目不忘"的核心技术。
 
+在开始之前，建议你先了解两个概念：
+
+- **Token 是什么**：可以先阅读 [大语言模型入门](./llm-intro.md) 的「分词 & Token」部分。
+- **Prompt 是什么**：如果你还不熟悉 System / User / Assistant 的基本结构，可以先看 [提示词工程](./prompt-engineering.md)。
+
+<AgentContextFlow />
+
 ## 0. 引言：金鱼与大象
 
 想象一下，你正在和两个人聊天：
@@ -11,6 +18,13 @@
 
 **上下文工程 (Context Engineering)** 的目标，就是通过技术手段，让 AI 从 "金鱼" 进化成 "大象"。
 
+更具体地说：你每次调用模型时，都会把一份「输入包」发给它，这份输入包通常由这些部分拼起来：
+
+- **系统设定**（System Prompt）：角色、规则、边界。
+- **对话历史**（Messages）：你们之前聊过什么。
+- **工具结果**（Tool / Observation）：Agent 调用外部工具拿到的新信息。
+- **检索片段**（RAG Context）：从知识库临时取回的相关内容。
+
 但这里有一个核心挑战：**AI 的"脑容量"（上下文窗口）是有限的**。我们不能把全世界的信息都塞进去。
 
 我们需要解决五个核心问题：
@@ -31,7 +45,8 @@
 
 ### 1.2 实验：Token 与容量
 
-在 AI 的世界里，计量的单位不是"字"，而是 **Token**。一个 Token 大约相当于 0.75 个英文单词，或者 0.5-1 个汉字。
+在 AI 的世界里，计量的单位不是"字"，而是 **Token**。（Token 的更完整解释可以回看 [大语言模型入门](./llm-intro.md)。）
+粗略地说，一个 Token 大约相当于 0.75 个英文单词，或 0.5-1 个汉字（会因内容而变化）。
 
 试着在下面的模拟器中输入文字，看看它是如何填满上下文窗口的：
 
@@ -39,9 +54,14 @@
 
 **关键点**：
 
-- **溢出即丢失**：一旦超过红色警戒线，模型不仅会报错，或者会直接截断后面的内容。
+- **溢出即丢失**：一旦超过红色警戒线，模型可能会报错，或者直接截断后面的内容。
 - **昂贵的记忆**：上下文越长，推理速度越慢，费用也越高。
 
+### 1.3 额外收益：前缀稳定与缓存命中
+
+在 Agent 场景里，上下文通常是「系统设定 + 工具定义 + 历史消息 + 本轮新信息」的拼接。
+如果你能让这份输入包的**前半段尽量稳定**（比如系统提示、工具列表不要频繁变动），很多模型/服务会更容易复用缓存，从而降低延迟与成本。
+
 ---
 
 ## 2. 第二步：即时记忆 (Sliding Window)