导语

现代智能体的本质是 LLM 在工具调用循环中执行任务，但随着任务长度呈指数级增长，上下文窗口的管理成为制约性能的关键瓶颈。研究表明，智能体任务长度正以每 7 个月翻一倍的速度增长，单次任务平均需要超过 50 次工具调用，生产环境甚至达到数百轮对话。

这种增长带来三重挑战：

• 成本激增：每次调用都需要将所有历史工具结果重新传入模型
• 延迟上升：上下文膨胀导致推理时间显著延长
• 性能衰减：Chrome 研究表明，上下文长度与任务完成质量呈负相关

一、上下文工程的三重策略

基于对 Claude Code、Manus、Deep Agents 等主流智能体的分析，现代智能体普遍采用以下三种核心策略：

【通用原语】多数代理框架都包含：模型、Prompt、工具，以及可在生命周期关键点触发的 hooks（如每次工具调用前/后）。合理利用 hooks 配合文件系统与脚本，能把大量“与推理无关”的上下文搬离模型窗口。

整体架构流程：

长期信息
历史数据
复杂任务

智能体任务开始
上下文管理策略选择
Offload策略
Reduce策略
Isolate策略
文件系统存储
跨会话记忆
脚本化执行
压缩技术
摘要技术
过滤机制
子智能体创建
独立上下文窗口
结果合并
优化后的智能体执行
任务完成

1. Offload：上下文卸载策略

文件系统持久化

将上下文从 LLM 的上下文窗口迁移到外部存储（主要是文件系统），实现按需检索。

核心价值：

• 任务内持久化：确保长时间运行任务中关键信息不丢失
• 跨会话记忆：在不同智能体调用间保持连续性

实践案例：

• Claude Code：使用项目/全局级记忆文件（结构化笔记/计划），并在需要时读回上下文
• Manus：在沙箱环境中提供文件系统访问和用户记忆能力
• Deep Agents CLI：通过memories目录与描述文件管理任务计划与中间产物

脚本化执行

将复杂操作从工具描述转移到可执行脚本，显著减少工具数量和描述开销。

设计原则：

• 保持函数调用层轻量化
• 使用通用原子工具（如 bash、文件操作）
• 通过脚本扩展动作空间

实际应用：

# 典型工具配置示例tools:  - bash: 执行任意脚本  - file_system: 文件操作和搜索  - fetch: URL内容获取

渐进式动作披露

Anthropic 的 Claude Skills 展示了智能的资源管理方式：

• 仅在需要时才加载完整技能描述
• 使用简短的头部信息进行初步筛选
• 通过 bash 工具按需读取和执行技能

2. Reduce：上下文精简策略

压缩技术

将历史工具结果保存到文件，在消息历史中仅保留文件引用。

Manus 的实现：

工具执行
结果保存到文件
消息历史保留引用
上下文窗口释放
继续执行

优势：完全可逆，可随时恢复原始结果

摘要技术

当接近上下文窗口限制时，对完整消息历史进行压缩摘要。

实现阈值：接近上下文上限时触发（阈值可配置，依实现不同而异），并提供自定义摘要策略

注意事项：摘要过程不可逆，需要精心设计摘要算法

过滤机制

自动过滤过大的工具结果，防止单个结果占用过多上下文空间。

3. Isolate：上下文隔离策略

子智能体模式

将复杂任务分解为子任务，每个子智能体拥有独立的上下文窗口。

通信模式：

传递指令
返回结果

主智能体
子智能体
其他子智能体

优势：

• 每个子智能体独立处理特定任务
• 避免上下文污染
• 提高并行处理能力

共享上下文设计

在隔离的同时保持必要的上下文共享：

• 文件系统共享：子智能体可访问相同的文件系统
• 选择性历史传递：Manus 支持完整消息历史共享
• 状态同步：通过文件或数据库实现状态协调

二、主流智能体技术对比

特性	Claude Code	Manus	Deep Agents CLI
工具数量	~12 个	<20 个	11 个
文件系统支持	✅	✅	✅
跨会话记忆	项目/全局记忆文件	用户记忆	memories 目录
压缩技术	95%阈值摘要	压缩+摘要	可配置摘要
子智能体	✅	✅	✅
渐进式披露	Skills	脚本目录	开发中

三、实践建议

1. 设计原则

• 最小工具集：保持核心工具数量在 10-20 个之间
• 通用性优先：使用能够执行多种操作的原子工具
• 文件系统抽象：将复杂逻辑封装到可执行脚本中

2. 上下文管理策略

• 分层存储：热数据在上下文，温数据在文件，冷数据归档
• 渐进式披露：按需加载完整功能描述
• 智能摘要：在关键节点进行信息压缩

3. 性能优化

• 监控阈值：设置合理的上下文使用率阈值
• 过滤机制：防止异常大的结果影响性能
• 并行处理：利用子智能体进行任务分解

4. 避免过度上下文工程

• 不为“酷技巧”而堆叠层级；优先解决主要瓶颈（成本、延迟、稳定性）。
• 简化优先：先用文件系统+最小工具集+必要摘要；再按数据驱动增量优化。
• 关注模型代际变化：大模型升级常带来质变，定期回看是否还能删减策略。

四、未来展望

随着智能体任务复杂度持续增长，上下文工程将成为核心竞争力。未来的发展方向包括：

1. 更智能的摘要算法：基于任务重要性进行选择性压缩
2. 动态上下文管理：根据任务特征自动调整策略
3. 分布式上下文：跨多个智能体的上下文协调机制
4. 学习型系统：从历史经验中优化上下文使用效率

五、总结

上下文工程是智能体架构中的关键挑战，Offload、Reduce、Isolate 三大策略提供了系统性的解决方案。通过合理运用文件系统持久化、渐进式披露、智能压缩和上下文隔离等技术，现代智能体能够在任务复杂度快速增长的同时保持高性能和可扩展性。

这些策略不仅解决了当前的技术瓶颈，更为未来智能体的发展奠定了坚实基础。随着技术的不断演进，我们期待看到更多创新的上下文管理方案，推动智能体向更复杂、更实用的方向发展。

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】