Agent一大痛点：上下文空间不够了怎么办？

当你在跟Agent不停地探讨开发你的项目时，刚开始可能觉得它真是太懂我了，你说出一个需求，它三两下就完美地帮你做出来。但是当对话持续地进行下去后，可能到50轮对话后，你让它修一个bug，结果它不停地改不停地错，甚至做出一些莫名其妙的行为，这时候你就要知道------它的上下文空间不够了！LLM在得知上下文空间不足时，会感到非常焦虑，这时它会一直想赶紧仓促对任务进行结尾，这会导致它的误判行为。那么你又觉得，这个Agent怎么这么蠢，我要你何用！

为了延长这次对话寿命，那就绕不开Agent的一大核心：Context Engineering------上下文工程。本文我们就来聊聊上下文工程的实现。

一、先避开两个坑

做 Agent 遇到效果不好，很多人的第一反应是这两条路：

"Agent 不够聪明，我训一个自己的模型" ------ 走 Fine-tuning 或 post-training
"等产品稳定了，我用 RL 优化 Agent 的行为"

这两个坑的共同点是：都在试图改模型。但绝大多数场景下，你该改的是上下文。

二、上下文工程的五个维度

Context Engineering 的手段可以归成五类，每一类对应一个不同的问题：

Offload（卸载） ------ 上下文太挤 → 把信息搬到上下文之外（文件、数据库）
Reduce（压缩） ------ 上下文太长 → 压缩成更短的形式（摘要、向量化）
Retrieve（检索） ------ 需要的信息不在上下文里 → 从外部源检索（RAG、文件读取）
Isolate（隔离） ------ 一个上下文装不下所有的事 → 拆成多个独立上下文（Multi-Agent）
Cache（缓存） ------ 重复计算 → 复用已有的计算结果（KV Cache、Prompt Cache）

遇到问题先判断属于哪一类，再挑手段，比一上来就调 prompt 有效得多。

遇到多个问题同时存在时，它们之间还有优先级：

Offload > Cache > Reduce（先紧凑化，实在不行再摘要化）> Isolate > Retrieve

下面按「先卸载、再瘦身、最后按需取回」的思路逐个说。

三、Offload：上下文窗口是昂贵的

卸载的核心思路一句话：

上下文窗口是昂贵的，但是文件系统是廉价的。

能搬到文件里、数据库里的，就别堆在上下文里。这引出了两种截然不同的加载策略：

全量预填充：不管三七二十一，把 Agent 循环过程中拿到的所有信息全塞进上下文
JIT（Just-In-Time）按需加载：不提前塞，等 Agent 真正需要某段信息时再填充

JIT 有三种落地方式：RAG、Agentic Search（运行时用工具探索）、Context Offloading（主动卸载 + 按需恢复）。

举个例子：让你排查"登录后每次都跳首页"这个 bug。

一上来就把整个项目读一遍，是最贵的做法。更聪明的做法是按成本递增排序工具调用------先用最便宜的工具，再用稍贵的，最后用最贵的拿细节：

Glob：按文件名模式搜索，只返回路径，不读内容
Grep：按内容模式搜索，返回命中的行
Read：读最终定位到的那几个文件

先用便宜的工具把范围缩小，再用贵的工具拿细节。这就是 Agentic Search（运行时工具探索）------"按需加载"在实践中的样子。

记忆系统本质上也是一种卸载------把跨会话的信息搬到文件或数据库里，用的时候再捞回来。这也是为什么 Agent 需要记忆：上下文窗口就像网吧的电脑，你一下机，系统就重置了，第二天再打开，什么都没了。

四、Reduce：三层压缩，先轻后重

不管你的 prompt 管理做得多好，Agent 跑完 50 轮，prompt 长度大概率会爆。

Claude Code 的思路是：先试轻手段，不行再试重手段。

Microcompact（紧凑化） ：不删消息、不破坏对话结构，只是把老旧的工具结果缩小。第 3 轮读了个文件拿到 3000 token，到第 30 轮模型早就不需要它了，就替换成一句 [Old tool result content cleared]
Snip（裁切）：直接砍掉老消息，从历史记录头部开始删，被删的就永久丢失
Auto-compact（摘要化）：用 LLM 生成摘要。信息缺失最多，但 token 回收也最多

触发阈值是 effectiveContextWindow - 13k。

Auto-compact 的摘要不是随便写的，它是一套严格的 9 段结构：用户意图、技术概念、文件改动、错误修复、问题解决、用户消息、待办任务、当前工作、下一步。

压缩完还有关键一步：把最近读过的 5 个文件内容附回去。否则模型知道"要去改 auth.ts"，却不知道 auth.ts 长什么样。

五、Cache：三个层次，一条分界线

缓存分三层，可控程度不同：

KV Cache：模型推理层，不受我们管控
Prompt Cache ：API 层，开发者可控。在 system prompt 上打个缓存断点，几千 token 的规则就不用每轮重算
Context Collapse（上下文折叠）：与其把老消息删掉，不如折叠起来------老消息存进外部存储，上下文里只留一个折叠标记

Prompt Cache 有个很实用的设计推论：system prompt 在静态和动态之间有一条分界线。

js 复制代码

const systemPrompt = [
  // ---- 静态部分：全局可缓存，所有用户共享 ----
  identitySection(),        // "你是 XX，负责 YY"
  systemRulesSection(),     // 环境约束
  taskGuidelines(),         // 做事方式
  riskGuidelines(),         // 行动准则
  toolUsageGuide(tools),    // 工具指南
  outputStyle(),            // 输出风格

  // ======== 分界线 ========

  // ---- 动态部分：每会话不同 ----
  envInfo(cwd, gitStatus),  // 工作目录、Git 状态
  userConfig(claudeMd),     // 用户自定义规则
  memoryContext(memories),  // Memory 内容
]

分界线以上的内容所有用户共享，能命中全局缓存；以下每会话都变。把 prompt 按这条线切开、拆成独立模块，缓存友好度和可维护性都会好很多------改输出风格时，不会碰到身份和规则。

还有个细节：高频变化的信息别写进 system prompt，注入到对话消息里。比如当前打开的文件、今天的日期，这些每轮都变，写进 system prompt 就等于每轮都把缓存打穿。

六、Isolate：多 Agent 的两种隔离

一个上下文装不下所有事的时候，就拆成多个。

By communication（消息传递）：主 Agent 给子 Agent 发消息，子 Agent 处理完返回结果。对主 Agent 来说，上下文里只多了「发出去的消息 + 收回来的结果」，它不需要知道子 Agent 的内部状态和处理细节
By sharing context（上下文共享） ：子 Agent 直接复制主 Agent 当前的上下文，在此基础上继续处理。对主 Agent 来说只多了一个结果，但子 Agent 的 token 消耗会大得多，因为它要复制一份完整的上下文

七、Retrieve：RAG 的上限在数据，不在模型

最后说检索。RAG 的管线是六步：

文档加载 → 数据分块 → Embedding → 向量储存 → 检索 → 注入上下文

流程不复杂，但每一步都会翻车：

文档加载 ：Markdown 最友好；PDF 最头疼，纯文本提取会丢掉表格和标题；代码不能按字符硬切------把一个函数从中间切开，两个 chunk 都会变得没意义
数据分块：固定大小硬切最糙；递归分块（先段落、再句子、最后 token）准确率最高
检索：语义相似不等于任务相关。所以要用混合检索（向量 + 关键词）兜底

还有个常见现象：搜出来 6 条，5 条都在说同一件事。这时候要上 MMR 去重。

记住这句话：

开卷考试，翻书也可能找不到答案。数据质量决定了 RAG 的效果，而不是模型聪不聪明。

八、总结

用一条线串起来：

别急着训模型 → 效果不好先看看是不是上下文没喂对
五个维度 → 卸载、压缩、检索、隔离、缓存，对应五类问题
优先级 → Offload > Cache > Reduce > Isolate > Retrieve
加载策略 → 全量预填充 vs JIT 按需加载，按成本递增调工具
压缩 → Microcompact → Snip → Auto-compact，先轻后重
缓存 → 把 prompt 按静态/动态切开，让静态部分稳定命中缓存

Agent Loop 是心跳，Tool System 是手脚，而 Context Engineering 是它的记忆和注意力------决定了它能跑多远，也决定了它跑到最后还记不记得自己要去哪。