langchain上下文管理的方式

上下文管理是实现复杂推理、工具调用和多轮交互的基础能力。本文将系统梳理上下文管理的核心方法、工程挑战、典型应用场景，并结合 LangChain 框架的设计理念，帮助理解和落地上下文管理系统。

上下文管理系统，顾名思义，就是在智能体运行过程中，合理组织、存储、检索和裁剪"上下文"信息的机制。

LangChain 总结了四类上下文管理的基本方法：

写入（Offload）上下文
- 将部分上下文卸载到外部存储，减少 LLM 直接处理的信息量。
- 典型场景：将历史对话、工具调用结果等写入数据库或文件系统，仅保留"指针"在当前上下文中。
- 伪代码示例：

python 复制代码

 写入外部存储
memory_id = db.save(context_chunk)
# 只在 prompt 中保留指针
prompt = f"Refer to memory {memory_id} for details."

选择（Retrieve）上下文
- 动态检索与当前任务最相关的信息，常用 RAG（Retrieval-Augmented Generation）技术。
- 进阶用法包括 agentic search（智能体级搜索）、GraphRAG（图谱增强检索）、多轮工具调用等。
- 伪代码示例 ：
  python 复制代码
```
# 基于向量检索相关文档
relevant_docs = vector_db.search(query_embedding)
# 组合进 prompt
prompt = f"Context: {relevant_docs}\nQuestion: {user_query}"
```
压缩（Compress）上下文
- 对冗余或过长的上下文进行摘要、裁剪，仅保留关键信息。
- 常见做法：对消息历史、工具反馈等进行 LLM 摘要。
- 伪代码示例 ：
  python 复制代码
```
# 用 LLM 摘要历史消息
summary = llm.summarize(history)
prompt = f"Summary: {summary}\nNext step?"
```
隔离（Isolate）上下文
- 将上下文分区，子任务由独立的 SubAgent 处理，避免信息污染。
- 适用于多智能体协作、复杂任务分解等场景。
- 伪代码示例 ：
  python 复制代码
```
# 为每个子任务分配独立上下文
for subtask in subtasks:
    subagent = Agent(context=subtask_context)
    subagent.run()
```

上下文管理是智能体系统的"记忆与注意力"机制。

随着智能体系统复杂度提升，合理设计上下文管理策略，将极大提升系统的可扩展性、健壮性与智能水平。

参考资料