智能摘要
Agent性能下降的根源在于长时运行导致的上下文爆炸与腐败，核心表现为模型对中间信息遗忘及模式固化。解决之道在于实施上下文工程：利用卸载机制与分层工具精简输入，通过并行子代理实现任务隔离，并引入结构化变异打破思维定势。优化KV Cache命中率可降低十倍成本，这是突破复杂任务瓶颈、构建可靠Agent的关键所在。
— 此摘要由AI生成仅供参考。
传统提示词工程关注如何写指令，而上下文工程更进一步，策划哪些信息该进入模型视野，是从写作者到编辑的升级。
随着 Agent 运行时间变长，上下文信息量呈指数级爆炸（从几百 token 到几万甚至几十万），这是制约复杂任务的最大瓶颈，根源在于上下文管理失控。
- 输入变长导致模型性能下降，且以意外方式崩溃。
- 模型对信息位置极其敏感：关键信息在开头或结尾表现好，在中间时性能断崖式下降（类似读厚书只记开头结尾）。
- 连续处理相似任务时陷入模式固化：学习到的是无脑重复套路，即使情况变化也不调整。
缓存和非缓存成本差距 10 倍（如 cloudsonnet 缓存 token 0.3 元，非缓存 3 元），Agent 输入输出比高达 100:1，该指标直接决定 Agent 能否上生产。
- 上下文卸载：将大块信息存到文件系统，需要时再读取，保持上下文精简（文件系统是终极上下文）。
- 任务隔离：采用并行子代理架构，每个子代理拥有独立上下文窗口，主代理调度，子代理专注执行，互不污染。
- 分层动作空间：最底层是原子函数（如读写文件），中间是沙盒工具（如格式转换），最顶层是 Agent 级工具（封装子流程为接口调用）。
- 破模式固化：引入结构化变异（换序列化模板、调整措辞顺序、加格式噪声），避免模型复制粘贴。
- 保持专注：用 TODO 列表注意力锚点，每完成一步重写代办事项，将目标推到上下文末端，避免迷失。
- 保留错误信息：错误是最好的老师，模型需看到失败痕迹以避免重蹈覆辙。
类比办公室场景：重要档案存档案柜（上下文卸载），琐事教自动化（分层工具），复杂项目分包给独立小组（任务隔离），主管只看标准报表汇总（精简上下文）。上下文是宝贵的有限资源，是构建可靠 Agent 的核心。
文章评论