当agent需要操作包含上万张表的企业级数据库时，应该如何组织上下文信息？是把完整schema塞进提示词，还是让agent自己通过文件工具检索？用YAML、JSON还是Markdown格式？这些看似基础的问题，此前缺乏系统性的实证研究。

论文通过9,649次实验，横跨11个模型、4种格式、从10到10,000张表的不同规模，给出了一个出人意料的答案：架构选择的效果取决于模型能力，而非存在普适的最佳实践。

文件原生agent的兴起与核心问题

近年来，开发者为agent提供上下文的方式正在发生显著转变。越来越多的实践者采用"文件原生"(file-native)的语义层方案：让agent通过grep和read等原生文件操作来检索结构化文档，而非仅依赖RAG(Retrieval-Augmented Generation，检索增强生成)或直接在提示词中嵌入上下文。

这种模式已在行业中自然涌现：CLAUDE.md和AGENTS.md文件描述项目规范，llms.txt标准为LLM提供结构化网站描述，Cursor Rules为代码agent配置上下文，YAML/JSON/Markdown格式的schema文件描述数据库结构。

论文聚焦五个核心研究问题：(1)文件原生上下文工程是否比提示词工程更准确？(2)格式是否影响准确率？(3)模型层级如何影响效果？(4)schema规模如何影响文件原生agent？(5)格式是否影响效率？

实验设计：11个模型、4种格式、万表规模

论文以SQL生成作为程序化agent操作的代理任务，设计了系统性的对比实验。

[Table 2: Experimental Overview 实验概览] 核心SQL生成实验8,401次，规模导航实验928次，分区导航实验320次，涵盖格式、模型、架构、层级等关键变量。

格式条件包括YAML（层级结构，grep友好）、Markdown（文档风格，自然语言）、JSON（机器可解析，冗长）和TOON(Token-Oriented Object Notation，面向Token的对象表示法，文件体积比YAML小约25%)。所有格式使用相同的系统提示词，不提供格式特定的搜索模式指导。

架构条件对比两种上下文交付方式：File Agent让agent使用grep和read工具按需检索schema信息；Prompt Baseline将完整schema（TPC-DS约6,000 token）直接嵌入系统提示词。

[Table 3: Model Conditions 模型条件] 11个模型分为三个层级：Frontier层（claude-opus-4.5、gpt-5.2、gemini-2.5-pro）、Frontier Lab层（claude-haiku-4.5、gpt-5-mini、gemini-2.5-flash）、Open Source层（DeepSeek-V3.2、kimi-k2、llama-4-maverick、llama-4-scout、qwen3-32b）。

复杂度分层从L1（单表直接查询）到L5（多步推理，5+表，子查询和嵌套逻辑）。规模分层从S0（10表）到S5（500表）为单文件schema，S6-S9通过领域分区扩展至10,000表。

发现一：架构效果取决于模型层级

[Figure 1: File Agent vs Prompt Engineering by Model Tier 按模型层级对比文件Agent与提示词工程] 展示不同模型在两种架构下的准确率差异。

[Table 5: File Agent vs Prompt Engineering by Tier 按层级对比文件Agent与提示词工程] Frontier+Frontier Lab层使用文件agent准确率提升+2.7%（p=0.029），Open Source层则下降-7.7%（p<0.001）。

这是论文最重要的发现：文件原生检索并非普遍优于提示词工程。对于Frontier模型，文件原生检索带来可测量的收益；但对于开源模型，结果参差不齐。Qwen下降21.9%，Llama Maverick下降13.9%，而Kimi和Llama Scout几乎无差异。论文推测这反映了开源模型在工具使用训练上的差异。

发现二：格式对整体准确率无显著影响

[Figure 2: Accuracy by Format (File Agent) 按格式划分的准确率] 卡方检验显示格式效果不显著（p=0.484）。YAML达75.4%，MD 74.9%，JSON 72.3%，TOON 72.3%。

[Table 7: Model × Format Accuracy (File Agent) 模型与格式交叉准确率] 虽然整体无显著差异，但个别模型表现出格式敏感性。开源模型的格式敏感度（spread 9.8-20.1%）远高于Frontier模型（spread 1.6-5.4%）。

格式偏好总结：YAML对5个模型最优，MD对4个模型最优，JSON对2个模型最优，TOON对0个模型最优。

发现三：模型能力是主导因素

[Figure 3: Accuracy by Individual Model 各模型准确率] 单因素方差分析：F(10, 8390)=30.55，p<0.001。

Frontier层准确率86.0%，Frontier Lab层76.7%，Open Source层64.6%。层级间21个百分点的差距远超任何格式或架构效应。

[Figure 4: Accuracy by Complexity and Model Tier 按复杂度和模型层级划分的准确率] 所有层级在L1达到相似准确率（94-96%），但在更高复杂度上急剧分化。Frontier模型在L5维持64%，而开源模型降至27%。

发现四：分区策略支撑万表规模

[Figure 5: Navigation Accuracy at Scale 规模化导航准确率] 单文件schema在500表以内保持近乎完美的准确率。领域分区使10,000表时仍保持高导航准确率。

分区架构使每次查询的上下文保持有界，不受总schema规模影响。

发现五："Grep税"现象——紧凑格式未必高效

[Figure 6: Token Efficiency by Format Token效率按格式划分] 在TPC-DS schema（24表）上，YAML最省token（12,729），其次是JSON（16,320，+28%）、TOON（17,625，+38%）、MD（20,382，+60%）。

[Figure 7: The ‘Grep Tax’ - TOON Token Overhead at Scale “Grep税”——TOON在规模化时的Token开销] 在S5（500表）时，TOON比YAML多消耗138%的token；在S9（10,000表）时，这一差距扩大到740%。

根本原因：模型对TOON语法不熟悉，无法构建有效的细化搜索模式。当初始搜索返回过多匹配时，agent会循环尝试已知格式（DDL、JSON、YAML）的模式，每次失败尝试都增加对话上下文。

实践建议与局限

[Table 9: Architecture Selection Guide 架构选择指南] Frontier模型推荐File Agent，Frontier Lab模型推荐File Agent（需先验证），Open Source模型推荐Prompt Engineering。

[Table 10: Format Selection Guide 格式选择指南] 追求token效率选YAML，追求可读性选Markdown，程序化生成选YAML或JSON，自定义格式需确保grep友好的模式。

论文指出若干局限：核心实验使用100条查询（每层级20条）；规模实验仅使用Claude模型且测试的是schema导航而非SQL推理；所有实验基于TPC-DS零售数据仓库基准；TOON作为新格式在LLM训练数据中几乎不存在，观察到的grep税可能部分反映格式陌生度。

核心启示

针对模型能力匹配架构，而非假设存在普适最佳实践。在优化格式之前，先投资于模型能力。使用YAML获得token效率和grep友好模式。对企业级规模采用领域分区。随着LLM agent日益操作关键业务系统，基于证据的上下文工程指导变得至关重要。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】