随着大语言模型（LLM）的飞速发展，AI Agent（智能体）逐渐成为串联模型与现实环境的核心。本文将带你深入剖析 AI Agent 的核心技术——Context Engineering（上下文工程），探讨 AI Agent 是如何像“经纪人”一样，帮语言模型管理输入、处理记忆，并最终实现复杂任务的

1. 为什么我们需要 Context Engineering？

语言模型本质上是在做“文字接龙”——你给它一个输入（Prompt），它生成一段输出。但当语言模型需要使用工具并与外界环境持续互动时，会面临两个核心挑战：

1. 模型活在当下：模型本身没有长期记忆，它只认当前的输入。因此，你必须把历史指令、工具输出全都拼接起来丢给它。
2. 上下文窗口受限：随着互动步骤增加，输入的长度会呈爆炸式增长，而语言模型的输入长度是有上限的，无法吞下无限长的数据。
   这正是 AI Agent 存在的意义：它充当了语言模型的“守门人”或“经纪人”，负责筛选并决定模型能看到什么。这个帮模型管理输入长度并将其维持在合适范围内的复杂过程，就是 Context Engineering。

2. Context Engineering 的数学本质

如果用程序逻辑来表达，没有做 Context Engineering 的对话循环是这样的： C(新) = C(旧) + 输入 + 输出 随着循环进行，上下文 C 会无休止地膨胀。
而引入了 Context Engineering 后，唯一的区别在于我们加入了一个复杂的处理函数 F： C(新) = F( C(旧), 输入, 输出 ) 这个 F 函数包含了压缩、记忆管理、过滤等一系列复杂操作，决定了下一轮对话的输入状态。

3. 核心操作一：上下文压缩 (Compression)

当历史记录太长时，最直观的解决方案就是“压缩”。主流的压缩策略有两种：

• 总结归纳 (Summarization)：利用语言模型把长篇大论的历史记录总结成简短的摘要。
• 观察掩码 (Observation Masking)：直接将冗长的工具输出替换成一句话，例如：“这里曾有一个工具的输出” 。
  哪种策略更好？ 在 SWE-bench（软件工程测试集）上的实验表明，最好的策略是结合两者：前期优先使用 Observation Masking 替换冗长输出，等到上下文依然无可避免地变长时，再使用 Summarization 一次性进行总结压缩。

⚠️ 注意：压缩带来的副作用 压缩可能会导致“轨迹延长”现象（Trajectory Extension）。模型可能会忘记刚刚已经执行过某一步骤，从而反复执行相同的工具，导致虽然上下文变短了，但消耗的总 token 和成本并未下降。此外，不良的压缩还会引发**语境崩塌 (Context Collapse)，导致丢失关键指令（例如不小心把“执行需经人类同意”的指令压缩掉了）。

4. 核心操作二：记忆系统 (Memory)

如果重要的信息被压缩掉，模型该如何找回？答案是记忆机制。

更精准地说，上下文 C 其实可以拆分为两部分：

1. P (Prompt)：真正输入给语言模型看的信息。
2. N (Non-prompt)：不输入模型，而是存储在硬盘/数据库中的信息。

语言模型可以通过执行特定工具（如 Save Memory 或 Write File）将当前不重要但未来可能用到的长篇日志存入硬盘 N，让它从 P 中消失，从而保持界面的整洁；当未来需要这些信息时，再通过 Load Memory 提取回来。就像《瑞克和莫蒂》中 Rick 把记忆抽出来存放在地下室的管子里一样

5. 核心操作三：Subagent (子代理)

Subagent 本质上是一种自主的上下文压缩行为。 遇到复杂任务时，主 Agent 可以分裂出一个 Subagent 去执行子任务（例如：搜索某篇论文的具体作者）。Subagent 在执行过程中会积累大量的独立上下文，但在它完成任务执行 Return 操作时，所有中间的繁杂步骤都会被抹除，只向主 Agent 返回一句精炼的结果摘要 [31:08]。这种方式能非常有效地防止主干上下文爆炸。

6. 核心操作四：从源头控制，过滤与按需加载

与其在上下文爆炸后想办法压缩，不如一开始就避免无用信息进入：

• 前置过滤 (Observation Filtering)：当模型需要读取日志修复 bug 时，不要直接把整个巨大的 Log 文件塞进去。可以训练一个“聪明的读取器（Smart Reader）”，只提取出与 bug fixing 相关的内容喂给模型。
• 按需加载 (On-Demand Loading)：如果 Agent 有数百个工具，把所有工具说明全写在 System Prompt 中会导致长度超标。现代方案是让语言模型根据需求动态呼叫搜索引擎，只提取当前任务所需要的工具指令注入到上下文中。

7. 终极进化：Agentic Context Engineering

目前的 F 函数（如何压缩、何时压缩）大多还是由人类工程师写死的规则。那么，能不能让语言模型自己管理自己的上下文呢？
这就是 Agentic Context Engineering 的理念：

• 动态小抄 (Dynamic Cheat Sheet)：让模型自己维护一份会随时间更新的小抄，记录有效策略或关键发现，丢弃无用信息
• 递归语言模型 (Recursive Language Model)：让模型自己写代码，在硬盘中搜索、读取、修改元数据，完全自主地调度庞大的历史记忆

总结

Context Engineering 不仅仅是简单的“缩短对话”，它融合了信息压缩、长期记忆存取、任务分解以及工具动态调度。随着相关论文和技术的井喷式爆发，未来的 AI Agent 将越来越像一个经验丰富的工作者，能够完美且高效地管理自己的工作流与知识库。