本文强调Agent业务落地应聚焦于“减法”，而非盲目追求更大的上下文、更全的工具或更复杂的流程。通过上下文工程，精准筛选必要信息，避免上下文中毒、干扰、混淆和冲突。文章提出三个层面的减法原则：信息、工具和流程，并给出六个可落地的减法动作，如RAG精准检索、工具装载、上下文隔离等。结合文件系统进行信息外置，可有效降低token成本和提升效率。最终实现一个轻量、高效、稳定的Agent架构。

---

做 agent 业务落地一定要做减法（图解版）

一句话结论：不要沉迷“更大的上下文、更全的工具、更复杂的流程”。Agent 落地的核心是做减法——只保留完成当前任务“必要且充分”的信息、工具与步骤。

---

核心挑战

上下文工程视角

• “上下文工程是一种精妙的艺术与科学——在上下文窗口中填充恰到好处的信息，以支持下一步。”
• “从这个视角看，智能体的上下文工程可能以多种方式‘失效’：”

• “如果智能体所需要的上下文不在其可用的总上下文中，智能体就无法成功。”
• “如果智能体检索到的上下文并不包含所需的上下文，智能体就无法正确作答。”
• “如果智能体检索到的上下文远大于所需的上下文，那么它就是在浪费（时间、tokens，或两者）。”

• “在尝试隔离合适的上下文时，会出现一些具体挑战：”

1. “Token 过多（检索到的上下文 ≫ 必要上下文）”——“几次网页搜索就可能让会话历史膨胀到数万 token……账单上涨且性能下降。”
2. “需要大量上下文（必要上下文 > 支持的窗口）”——“上下文很快增长到无法装入窗口。”
3. “查找小众信息（检索到的上下文 ≠ 必要上下文）”——“信息埋在上百/上千个文件中。”
4. “随时间学习（可用总上下文 ≠ 必要上下文）”——“是否有办法把交互中的关键信息加入到后续可用上下文？”

视觉总览

上下文工程方法总览

要点：上下文不是越多越好，目标是让“检索到的上下文”尽量贴近“真正需要的上下文”，并尽可能小的超集。

---

为什么必须做减法（图解）

更长的上下文窗口、更多的工具定义、更多轮的推理链，并不会自然带来更好的效果。常见失效模式：

• 上下文中毒：早期的幻觉/错误被反复引用并固化。
• 上下文干扰：窗口够大也会“过度依赖历史”，忽略训练知识，策略更新变慢。
• 上下文混淆：给太多工具/资料，模型会尝试“用上它们”，导致跑偏。
• 上下文冲突：多来源信息自相矛盾，平均性能明显下滑。

参考图 1（无关信息导致误用）：

工具无关性干扰

参考图 2（分片对话引发冲突）：

分片提示导致性能崩塌

来自工程一线的证据也在支持“做减法”：

• [Cursor] 语义搜索显著提升工程可用性。未启用语义搜索时，不满意的后续用户请求增加约 2.2%；启用后代码留存率整体 +0.3%，在 ≥1000 文件的大型代码库中提升至 +2.6%。
• [Cursor] grep + 语义搜索的混合检索在大型代码库效果最佳：先精确定位（grep），再语义扩展（embedding 检索）。
• [LangChain] 文件系统是极佳的上下文“外部化”接口：把中间结果、长文本、工作笔记写入磁盘，主对话只携带必要摘要，显著降低 token 与干扰成本。

---

三个层面的“减法”原则（速记卡）

• 信息做减法：只取相关片段；定期修剪与摘要；把中间态卸载到对话之外。
• 工具做减法：只暴露与当前任务相关的少量工具，限制说明长度，避免描述重叠。
• 流程做减法：能单体就别多体；多体要“隔离上下文、专注分工、最终汇总”。

---

六个可落地的“减法动作”（配图版｜[LangChain]）

1. RAG 精准检索（信息选择）

• 做什么：先界定检索范围，再从向量库取少量、干净的片段。不要把“所有资料”塞进上下文。
• 怎么控量：k=3~5 起步；严格控制 chunk 长度与重叠；必要时加 rerank。
• 落地要点：复杂查询可以接受 20k~25k token 的一次性成本，但回答阶段要只用“被证实相关”的片段。

RAG

2. 工具装载（Tool Loadout，工具选择）

• 做什么：面向任务动态挑选少量工具再绑定给 Agent，避免 30+ 工具并发污染上下文。
• 参考做法：用向量库索引“工具描述”，先由小模型做“需要哪些能力”的草判，再语义检索出 top-5~10 工具装载。
• 经验阈值：≤10 个通常最稳；≥30 容易描述重叠与误用。

Tool Loadout

3. 上下文隔离（Context Quarantine，流程解耦）

• 做什么：把可并行的子任务丢到各自的“独立上下文线程”里，最后再由 Supervisor 汇总。
• 好处：关注点分离、降低路径依赖；实际案例表明多智能体并行可带来显著性能提升。
• 注意：非并行任务不必强上多体，保持单体更稳定。

Context Quarantine

4. 上下文修剪（Context Pruning，信息减重）

• 做什么：定期把无关/过期/重复的片段从上下文里清掉，保护核心指令与目标。
• 工具建议：轻量 reranker（如小模型或专用 rerank 模型）先过滤 80% 的冗余，再交给主模型。
• 指标：RAG 阶段 25k → 修剪到 ~11k，答案质量不降是理想上限。

Context Pruning

5. 上下文摘要（Context Summarization，信息压缩）

• 做什么：把“都相关但太长”的材料，交给便宜模型做结构化摘要（保留要点、数据、结论）。
• 策略：先修剪后摘要；摘要目标压缩 50%~70%。
• 工程化：把摘要做成独立节点，便于离线评估与持续调优。

Context Summarization

6. 上下文卸载（Context Offloading，信息外置）

• 做什么：把长链路工具输出、思考草稿、会话记忆写入“文件系统/外部存储”，主对话只带短提示与必要引用。
• 推荐形态：

• scratchpad（草稿本）：记录推理/中间态，不进入主上下文；
• persistent store（持久化）：跨会话的知识库与用户偏好。

• 与文件系统结合：以“单一接口”读/写/更新无限量上下文，查询时只把命中的小片段回填进对话。

Context Offload

---

最小可行架构（MVP｜图解）

把“做减法”的策略固化到一条轻量流水线里：

1. 接收请求 → 解析“任务类型、所需能力、信息范围”。
2. 工具装载 → 语义检索出 ≤8 个相关工具再绑定。
3. 检索阶段 → 先精确（grep/结构化索引），再语义拓展（embedding + rerank）。
4. 修剪阶段 → 基于原始问题做针对性过滤，丢弃明显无关/重复片段。
5. 摘要阶段 → 把仍然很长的材料交给便宜模型做 50%~70% 压缩。
6. 生成阶段 → 主模型回答，严格引用检索/摘要材料。
7. 卸载阶段 → 把中间结果、长文本、可复用知识写入文件系统，保存最小“引用指纹”。

注意：以上 7 步并非每次全跑。默认只启用 1/2/3/6，随着任务复杂度再“按需打开”4/5/7。

---

文件系统如何帮到 Agent（图解｜[LangChain]）

要点：把工具调用结果、长文档、推理草稿落盘；主上下文只保留必要摘要与引用指纹。检索时按需读回相关片段，避免上下文泛滥。

挑战→解法一览（文件系统路径｜[LangChain]）

补充图解：

细分来看，其分别想解决的点：

1. Token 过多（retrieved context >> necessary context）

• 传统方式将工具调用结果、笔记全部存入对话历史，导致令牌冗余（如 10k token 的网页搜索结果全程占用对话资源）。
• 文件系统方案将大量工具结果写入文件系统，仅在需要时通过 grep 搜索关键词、读取必要上下文，本质是将文件系统作为“大型上下文草稿本”，降低费用与干扰。

2. 需要大量上下文（necessary context > supported window）

• 存储长期任务计划：通过复述操控注意力的计划写入文件，后续随取随用。
• 存储子智能体知识：子体执行时将所学写入文件而非仅反馈主体，减少“电话游戏”式失真。
• 存储指令文件：把大量操作指令放入文件而非系统提示，避免提示臃肿。

3. 查找小众信息（retrieved context ≠ necessary context）

• 借助 ls/glob/grep 进行结构化定位与全文检索，精确命中相关片段。
• 当前模型可理解文件系统遍历逻辑；文件系统按目录结构化存储，逻辑清晰。
• glob/grep 可定位特定文件、行、字符；read_file 可按行范围读取。

4. 随时间学习（total context ≠ necessary context）

• 将“指令/技能”视为可编辑的上下文，存入文件系统并可更新。
• 用户反馈后，立即把关键信息（如姓名、邮箱、偏好）落盘，供后续会话使用。

---

渐进式落地路线（从“能用”到“好用”｜看图做事）

Stage 0 基线：

• 单体 Agent + 少量手选工具（≤10）。
• 直接 RAG 检索 k=3~5；不做摘要/修剪；对话内引用片段原文。

Stage 1 做减法：

• 加入工具装载：动态选择工具并限制描述长度。
• 加入修剪：把明显无关的检索结果剔除。
• tokens 与时延即刻下降，稳定性提升。

Stage 2 降本增效：

• 在长材料上引入摘要节点（小模型），压缩 50%~70%。
• 引入文件系统卸载：工具长输出与草稿本不进主上下文。

Stage 3 并行加速（可选）：

• 可并行任务引入上下文隔离的多体结构（Supervisor 汇总）。
• 严格控制每个子体工具/上下文规模，做到“并行不并乱”。

---

实证数据与量化指标（图表｜[Cursor]）

实证图 1（语义搜索与留存）：

实证图 2（不满意追问下降）：

来源：Cursor 语义搜索 A/B 实验与工程报告（https://cursor.com/cn/blog/semsearch）。

指标与报警建议：

• token 成本：按阶段与会话维度统计；设置软/硬阈值（如 8k/16k）。
• 工具面板规模：单次绑定工具数 ≤10；超过报警并落盘分析。
• 检索有效率：被最终引用的片段占检索结果比例 ≥50%。
• 语义搜索开关 A/B：观察代码留存率、不满意请求率变化（目标：留存↑，不满意↓）。
• 回答一致性：跨多轮是否自洽，无自我矛盾与目标漂移。

---

常见反模式（看到就删）

• “窗口大＝一次性全塞”：容易中毒、干扰、混淆、冲突并发作。
• “工具越多越聪明”：≥30 个工具常引发描述重叠与误用。
• “链越长越强大”：长链路更应把中间态卸载到外部；主对话只带摘要。
• “全部在线推”：摘要/修剪/重排可以异步或缓存，别把延迟都放一条链里。

---

结语

做 Agent 不是“加法竞赛”，而是“减法艺术”。

把信息、工具、流程都减到“必要且充分”，再用文件系统把“长材料与中间态”卸载到对话之外——你的 Agent 会更稳、更快、更省，也更容易在真实业务里长期留存与复用。

Less, but better. 先做减法，再谈进化。

---

开源项目（索引｜[LangChain]）

• DeepAgents：https://github.com/langchain-ai/deepagents

• how_to_fix_your_context（实践 Notebook 合集）：https://github.com/langchain-ai/how_to_fix_your_context

• DeepAgents 工具示意：

  

  DeepAgents 工具示意

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？