上下文组装:文件、历史消息、指令和工具 schema

很多 Agent 问题其实不是"模型不聪明",而是上下文组装出了问题。

模型只会基于它当前看到的内容行动。

OpenClaw 的 context 文档给了一个清晰定义:

arduino 复制代码
Context 是一次 run 中 OpenClaw 发送给模型的所有内容。

先说结论:上下文不是记忆,而是当前窗口

Context 包括:

bash 复制代码
System prompt
Conversation history
Tool calls and results
Attachments
Compaction summaries
Injected workspace files
Tool schemas

Memory 可以存在磁盘上,之后再被检索。

Context 是本次请求进入模型窗口的内容。

System Prompt:每次 run 重新构建

OpenClaw 的 system prompt 由系统拥有并在每次 run 重新构建,通常包含:

复制代码
工具列表
skills 列表
workspace 位置
时间和 runtime metadata
Project Context 注入文件

它不是用户随便追加的一段文本,而是运行时把多个来源整理后的结果。

Project Context:workspace 文件注入

默认会注入一组 workspace bootstrap 文件,例如:

复制代码
AGENTS.md
SOUL.md
TOOLS.md
IDENTITY.md
USER.md
HEARTBEAT.md
BOOTSTRAP.md

大文件会被截断。/context list 会显示 raw size、injected size 和是否 truncated。

所以写这些文件时要克制:

复制代码
规则写清楚
路径写准确
不要塞大段日志
不要把历史聊天当常驻上下文

Tools:有两种上下文成本

工具会产生两类成本:

javascript 复制代码
工具列表文本
  出现在 system prompt 中,帮助模型知道有哪些能力

工具 JSON schema
  发送给模型以便正确调用工具

很多人只看聊天历史,却忽略 tool schemas。工具越多,schema 可能越大,模型还没开始思考就已经消耗了一部分窗口。

History、Compaction、Pruning

会话历史会进入上下文,但不能无限增长。

OpenClaw 通过:

复制代码
compaction
  把旧历史总结成压缩条目

pruning
  从当前 prompt 中移除老旧工具结果,但不改写磁盘 transcript

来保持窗口可用。

这也是为什么"它以前知道,现在忘了"不一定是 bug:可能是信息没有进入当前 context。

如何检查上下文

常用命令:

bash 复制代码
/status
/context list
/context detail
/context map
/usage tokens
/compact

排查时看:

perl 复制代码
system prompt 多大?
哪些 workspace 文件被注入?
是否有文件被截断?
工具 schema 占多少?
历史消息占多少?
上下文是否接近窗口上限?

常见误解

误解一:memory 等于 context

不是。memory 是可存储可检索的信息,context 是当前发送给模型的窗口。

误解二:把文件全塞进去更好

不一定。无关信息会稀释重点。

误解三:工具越多越强

工具多也意味着 schema 成本更高、误调用概率更高。

最后总结

上下文工程决定模型"看见什么"。

一句话总结:

复制代码
Agent 行为 = 模型能力 + 当前上下文 + 工具可用性 + 权限边界。

本节作业

  1. 对一个 session 运行 /context detail
  2. 找出最大的三个上下文贡献者。
  3. 检查 TOOLS.md 是否过长。
  4. 手动执行一次 /compact,观察窗口变化。

下一节预告

下一节讲工具调用协议:模型如何决定调用哪个工具。

参考资料

相关推荐
晨之清风1 分钟前
Codex常用命令
人工智能
hsg774 分钟前
简述:2026年中考一地作文题目 :接纳无解,向阳求索
人工智能·机器学习
北京耐用通信9 分钟前
国产化替代优选!耐达讯自动化NY-HUB6完美兼容替代PB-HUB6\GL
人工智能·科技·网络协议·自动化·信息与通信
LaughingZhu13 分钟前
Product Hunt 每日热榜 | 2026-06-11
人工智能·经验分享·神经网络·html·产品运营
像风一样自由202026 分钟前
17.推理框架横评:vLLM / TGI / TensorRT-LLM / SGLang 全面对比
人工智能·大模型·vllm·sglang
walnut_oyb28 分钟前
CVPR 2026|VisRes Bench:视觉语言模型视觉推理能力评估
人工智能·语言模型·自然语言处理
网教盟人才服务平台34 分钟前
第223期方班学术研讨厅成功举办
人工智能
lauo40 分钟前
ibbot手机:从赛博攻防到Token经济的AI终端革命
人工智能·智能手机
私人珍藏库1 小时前
【Android】BotHub-多模型AI机器人聚合库-内置免费模型
android·人工智能·智能手机·app·工具·多功能
老马聊技术1 小时前
AI对话功能之SpringBoot整合Vue3
vue.js·人工智能·spring boot·后端