这描述了一个罗马战役数据集。它包括罗马军队作为主要交战方或明确盟友的具名陆战或海战,以及有真实战斗的围城战;未具名的遭遇战、屠杀、投降和传说被排除。 “罗马”涵盖王国、共和国、帝国(西、东)及1204年后继承国,但不包括附庸盟友或在外国服役的罗马人。传统上可疑的战役被标记。内战被标绘但不评分。战役按主要对手着色,饼图按地点显示数量。结果由战场结局决定。记录了罗马军队组成、语言和希腊语使用者估计。研究使用分时期批次、维基百科和现代著作核查、修正和位置验证。输出包括CSV、JSON、电子表格、图像和来源引用。数据集包含649条记录,多为次要战役,其中586个位置已知、812个近似、311个区域性。
上下文工程仍然至关重要,因为模型和人类都难以遵循指令。长上下文窗口并未解决 AI;它们反而引入了污染、分心、混淆和冲突等失败。实践者现在通过增强、工具选配、隔离、修剪、卸载和摘要来管理这些问题——通常在 harness 中进行。一个 agent 可以是一个简单循环,由确定性代码和快速决策模型选择工具、修剪历史或压缩上下文。随着模型变得更加智能体化,新的失败出现:过度拟合训练工具(“与权重对抗”)和上下文惯性,即 agent 固执地追求过时目标。修复方法包括在保留产物的同时重置上下文。下一个挑战是长期运行的个人 agent,其记忆和技能会发生冲突,需要战略性遗忘。最终,输出同时取决于模型权重和上下文;任务是给合适的模型提供合适的上下文,并在确定性与模型驱动之间做出选择。