AI Agent就是拦截在LLM跟人类或者是LLM要执行环境之间的一个介面，但是LLM的输入长度是有限的，不能够吃无限长的输入， 所以AI Agent做的事情就是选择给LLM看的输入内容（即AI Agent筛选后的长度合适的输入，不能太长也不能太短）。
但是，仅仅做到长度合适是远远不够的。如何在多轮交互和海量工具反馈中，确保给到 LLM 的上下文既精准又不冗余？这就需要上下文工程（Context Engineering）。
Context Engineering会做哪些操作呢？？
1.压缩
AI Agent把本来很长的历史记录缩短，在整个历史记录里面扣除system prompt部分， 将比较久远的历史记录通过某一个LLM变为Summary，然后再继续添加新的咨询。
Open Claw中还有一种压缩文本长度处理方式，即当文本中存在一段长篇大论的工具使用段落时，直接展示这个曾经有个工具使用输出。
虽然压缩在某种程度上可以省钱，但是由于有一些步骤不见了，导致某些步骤是否执行过存在疑问，所以它会重复执行，导致执行的步骤反而变得多了，且Summary可能会导致压缩崩溃（压缩前本来可以做对的，但是压缩后做不对）------解决方法是在LLM中输入一个feedback（即哪些是人类关注内容的保留规则，ACON (Agent Context Optimization) ，没调参数 ACON论文）。
在论文中有提到，不同的压缩方式是可以同时进行的，做好的策略就是，在前期的时候，先用observation masking（观察遮蔽/观察屏蔽） 方法把工具的输出换掉，但是文本会越来越长，在长到一定程度的时候，再用summarization的方式。
AI Agent中处理的文本内容包含两部分不同的咨询，一种是会被直接丢进LLM中的咨询，一部分是不会被丢进LLM中，存在硬盘中，即：
什么时候进行压缩？
在前人的论文中发现，LLM不喜欢做压缩（抹除记忆），所以LLM不会自主进行压缩，只有写死的规则可以（当长度超过某个上限时进行压缩），如果想要LLM自主使用压缩工具，必须通过训练才可以（需要微调模型才能做到）。
Subagent压缩
Subagent可视为自主压缩的行为，当模型到某个时间，产生一个使用工具的指令------spawn繁殖的时候，可以产生一个Subagent。当Subagent执行return之后，之前所做的事情全部从contex中被抹除，可视为自主压缩。（使用RL对LLM进行训练，且添加reward机制）
2.过滤
外界文件的输入导致context过长，那么一开始就不要那么多文字进入context，做出过滤操作。
按需加载
当LLM接收到一个任务后，让LLM自主思考使用哪些工具，按需调用。
