摘要、压缩与处理大工具输出的工程实践------从 Manus 的经验，看 Context Engineering 的"高风险区"
引言：压缩的不可逆风险与工程对策
上下文压缩是AI Agent工程中的高风险操作------它是有损且不可逆的。一旦关键信息在压缩过程中丢失，系统将无法恢复，可能导致后续决策链条的全面偏差。
Manus联合创始人Peak Ji提出的核心方法论：高质量的摘要不是让模型"写摘要"，而是让模型"填表格"；处理大工具输出不是无脑透传，而是场景化的策略选择。这一工程实践为我们提供了确保信息保真度的系统化路径。
第一部分：高质量摘要的秘诀------从创作到抽取
1.1 错误做法：开放式指令的不可控性
arduino
"请总结以下内容..."核心问题：
- 信息覆盖不确定：模型可能遗漏工程师认为关键的信息
- 输出稳定性低：相同输入多次调用结果不一致
- 下游可解析性差：自然语言输出难以被程序消费
- 错误定位困难：无法精确知道"哪里漏了"
1.2 正确做法：Schema约束的信息抽取
css
定义结构化表单，让AI精确填充字段：
┌─────────────────────────────────────────┐
│ Task Summary │
├─────────────────────────────────────────┤
│ 用户原始目标 │ [必须] 原文核心诉求 │
│ 当前子目标 │ [必须] 当前聚焦任务 │
│ 已修改文件 │ [可选] 文件路径列表 │
│ 已做关键决策 │ [必须] 决策+理由 │
│ 当前阻塞点 │ [必须] 无/具体问题 │
│ 下一步明确行动 │ [必须] 可执行步骤 │
└─────────────────────────────────────────┘范式转移的本质：
| 维度 | 自由摘要（创作） | Schema填表（抽取） |
|---|---|---|
| 问题类型 | 语言生成（Generative） | 信息抽取（Extractive） |
| 信息覆盖 | 不确定 | 强制覆盖（字段必填） |
| 输出稳定性 | 低 | 高（结构固定） |
| 下游可解析性 | 差 | 极强（结构化数据） |
| 版本演进 | 不可控 | 可演进（Schema显式变更） |
| 错误定位 | 困难 | 精确（字段级监控） |
Schema的工程价值：
"Schema本身，就是系统'认为重要的事实集合'"
- 显式编码业务知识：哪些信息对系统决策至关重要
- 建立确定性契约：工程师与模型之间的可靠接口
- 支撑版本化迭代：业务变化时Schema显式变更，变更可追溯
第二部分：处理大工具输出的双策略
当工具返回海量Token时， "完整返回"与"即时处理"存在根本张力。Peak提出场景化的策略选择框架。
2.1 策略选择的决策边界
开始
│
├── 工具输出经预处理后长度 < 阈值（如4K tokens）？
│ └── 否 → 强制预摘要或子Agent封装（策略二）
│ └── 是 → 继续判断
│
├── Agent需要立即处理（非暂存备用）？
│ └── 否 → 立即卸载到文件系统，返回指针
│ └── 是 → 策略一：先完整返回 + 保险措施
│
└── 信息时效性高（延迟处理会贬值）？
└── 否 → 考虑批量异步处理
└── 是 → 确认策略一关键认知 ：策略一的"完整返回"是有边界的，不是无脑透传原始输出。
2.2 策略一：简单搜索------先完整返回，必须加保险
适用条件（三者缺一不可）：
- 工具输出经预处理后长度可控（< 4K tokens）
- Agent极有可能立即处理
- 信息时效性高
三层过滤机制：
yaml
Layer 1: 工具层预处理（必须）
├── 爬虫：只取正文，去广告/导航/页脚
├── 搜索：只取Top-K（如10条），非全部1000条
└── 数据库：分页+字段筛选，非SELECT *
Layer 2: 策略决策
└── 预处理后长度 < 阈值 → 进入策略一
Layer 3: 系统级压缩（未来时刻）
└── 原始结果 → 压缩为指针（但关键洞见已保险持久化）保险措施：对冲"延迟压缩"的不确定性
arduino
风险场景：
完整返回 → Agent还未处理 → 系统提前压缩（因窗口压力）→ 信息丢失
保险机制：
完整返回 → Agent立即提取洞见 → 主动write工具写入文件
└── 即使原始信息被提前压缩，洞见已安全
关键设计：指示模型"立即提取并持久化关键认知"，而非保存完整原文保险措施的写入内容：
| 场景 | 写入内容 |
|---|---|
| 搜索返回10篇论文 | "3篇核心论文+各自贡献+与当前任务相关性" |
| 数据库查询结果 | "统计摘要+异常点+需要深入调查的ID列表" |
| API返回监控数据 | "关键指标变化+阈值告警+建议排查方向" |
2.3 策略二：复杂搜索------子Agent作为工具
适用场景：
- 需要多次查询并整合信息
- 输出经预处理后仍超长
- 复杂性超出主Agent即时处理能力
架构设计：
scss
主Agent上下文（干净、高效）
├── 调用：advanced_search("AI Agent上下文工程最新进展")
│ ↓
│ ┌─────────────────────────────────────┐
│ │ 子Agent（独立工作流） │
│ │ • 自主决定搜索策略（多源、多轮） │
│ │ • 内部完成整合、去重、验证 │
│ │ • 输出：固定Schema的结构化结果 │
│ └─────────────────────────────────────┘
│ ↓
└── 接收：{热点话题, 关键数据, 趋势判断, 信息来源}
效果：主Agent上下文极其干净，复杂性完全封装策略对比：
| 维度 | 策略一：先完整返回 | 策略二：子Agent封装 |
|---|---|---|
| 调用次数 | 1次（即时） | 多次（子Agent内部） |
| 延迟特性 | 即时响应 | 有延迟 |
| 主Agent上下文 | 临时膨胀，后压缩 | 始终干净 |
| 信息保真度 | 依赖保险措施 | 子Agent内部保障 |
| 工程复杂度 | 低 | 高（需设计子Agent） |
第三部分：关键工程决策------为何简单搜索不立即卸载
3.1 两种模式的成本对比
| 模式 | 流程 | 调用次数 | 延迟 | 适用场景 |
|---|---|---|---|---|
| 立即卸载 | search→卸载→指针→read_file→内容→处理 | 2次 | 高 | 复杂查询，非即时处理 |
| 先返回原文 | search→内容→立即处理 | 1次 | 低 | 简单搜索，即时决策 |
3.2 工程决策原则
"对于那些Agent极有可能需要立即处理的工具结果，选择先返回原文来换取宝贵的即时效率" ------ Peak Ji
核心权衡：
- 效率优先：简单搜索的即时性价值高于卸载的安全性
- 风险对冲：保险措施（主动写入）弥补压缩时机的不确定性
- 场景分离：复杂任务用子Agent封装，简单任务用策略一快速处理
第四部分：与WSCI框架的融合
Manus实践与LangChain WSCI框架的深度对应：
| Manus实践 | WSCI操作 | 作用 |
|---|---|---|
| Schema结构化摘要 | Write（写入） | 抢占式持久化关键信息 |
| 工具层预处理（Top-K、筛选） | Select（选择） | 前置过滤，控制输入规模 |
| 延迟压缩 + 保险措施 | Compress + Write | 效率与保真度的平衡 |
| 子Agent封装复杂性 | Isolate（隔离） | 上下文空间隔离，主Agent保持干净 |
关键洞察 ：保险措施本质是在Compress之前preemptively执行Write，确保关键信息在压缩发生前已安全持久化。
结语：工程智慧的本质
Peak Ji的方法论揭示了AI Agent工程的核心原则：
markdown
1. 摘要不是创作，是抽取 ------ 用Schema约束确保保真度
2. 压缩有风险，主动写入来对冲 ------ 用机制设计防丢失
3. 场景决定策略 ------ 没有银弹，只有权衡
4. 复杂性要封装 ------ 子Agent隔离，主Agent保持干净
5. 效率与安全的平衡 ------ 即时性价值高时，用保险措施对冲风险这些"充满权衡的工程智慧"，正是从Demo走向生产系统的关键能力。
结语：真正的难点不在技术，而在取舍
摘要、压缩、大工具输出，本身都不复杂。 真正难的是：
在效率、成本、上下文干净度、信息保真之间， 做清醒、可解释、可复盘的工程选择。
Manus 的经验给了我们几个极其重要的原则：
markdown
1. 摘要不是创作，是抽取 ------ 用Schema约束确保保真度
2. 压缩有风险，主动写入来对冲 ------ 用机制设计防丢失
3. 场景决定策略 ------ 没有银弹，只有权衡
4. 复杂性要封装 ------ 子Agent隔离，主Agent保持干净
5. 效率与安全的平衡 ------ 即时性价值高时，用保险措施对冲风险当 Agent 从 Demo 走向生产系统， Context Engineering 本身，就成了一门架构设计学。
参考资源
- Manus技术分享（Peak Ji）：摘要、压缩与处理大工具输出的技巧
- LangChain Context Engineering Best Practices
- 《上下文工程：构建高性能AI Agent的系统性架构设计》