目录
[二、第一轮上下文的八大构成（对照 Codex / Claude Code）](#二、第一轮上下文的八大构成（对照 Codex / Claude Code）)
[1. 基础行为规范：Agent 的"人格与底线"](#1. 基础行为规范：Agent 的"人格与底线")
[2. 个人与项目规则：Codex 与 Claude Code 的杀手锏](#2. 个人与项目规则：Codex 与 Claude Code 的杀手锏)
[3. 用户偏好与历史经验：把"越用越好"做成产品卖点](#3. 用户偏好与历史经验：把"越用越好"做成产品卖点)
[4. 工具说明：Agent 的"手脚说明书"（必备）](#4. 工具说明：Agent 的"手脚说明书"（必备）)
[5. 技能目录：与 Skills 机制对接](#5. 技能目录：与 Skills 机制对接)
[6. 环境信息：让模型"知道自己在哪"](#6. 环境信息：让模型"知道自己在哪")
[7. 权限与执行边界：效率的隐藏杠杆](#7. 权限与执行边界：效率的隐藏杠杆)
[8. 当前需求与材料：每轮的主角](#8. 当前需求与材料：每轮的主角)
**摘要：**上下文管理是 Agent 架构的根基，也是大厂面试必问的高频考点。视频以 Codex 和 Claude Code 两大行业标杆为例，拆解了上下文管理的本质（管理每一轮对话中大模型"看到"的信息）与第一轮上下文的八大构成模块，并指出多轮对话中上下文会动态变化------工具结果回流、历史被压缩筛选。本文在此基础上补齐了每块构成的设计要点与垂类 Agent 的取舍建议。
背景：为什么"上下文管理"是面试必问
随着 Agent 应用从 Demo 走向生产，面试官问的问题也越来越"工程化"：不再只问"什么是 RAG""什么是 ReAct"，而是开始追问------**"你的 Agent 每一轮到底给模型喂了什么？"**这个问题背后，就是上下文管理（Context Management）。
上下文管理贯穿 Agent 全流程：从用户提问进来，到工具调用返回，再到多轮历史回流，每一环都在做同一件事------决定大模型每一轮看到的输入长什么样。谁把这套"信息组装"逻辑设计清楚了，谁就掌握了 Agent 的下半场。这也是视频把上下文管理与 Harness 绑在一起讲的原因：上下文管理是 Harness 的核心子系统之一。
思考： 对面试来说，这道题是"一层窗户纸"型考点。很多人以为上下文管理就是"把历史消息拼起来"，但面试官真正想听到的是一套可展开、有层次的认知：本质论（为什么每一轮都是全新问询）→ 构成论（第一轮拼八类信息）→ 动态论（多轮后如何压缩/筛选/回流）。这篇博客按这个脉络展开，正好对应面试的追问节奏。
一、本质：每一轮对话，对大模型都是一次"全新问询"
我们在日常使用豆包、DeepSeek、Codex、Claude Code 时，感觉它们"记住了"前面的对话------好像模型有记忆。但把最底层的框架源码扒开看，真相完全不同：所谓"记忆"，是 Harness 用代码拼出来的假象。
假设你有一个裸 API 直连模型（不经过任何 Agent 框架），第一句问"今天天气怎么样"，模型回答了；第二句再问"推荐去哪玩"，模型根本不知道你问过天气------对第二次输入而言，它就是一条全新的消息。
那么 Harness 做了什么？它在第二句并不是只发"推荐去哪玩"，而是把"问今天天气怎么样 + 回答 + 问推荐去哪玩"三句拼好一起发给模型。从外部看，你只说了一句话，模型却"记得"前文------这整个过程，就是上下文管理。
思考： 这句话值得反复咀嚼：**模型的"连续性"完全由框架层负责，模型本身是"无状态"的。这带来两个推论------第一，任何 Agent 的记忆/上下文能力，本质上都是"组装逻辑"的复杂度，复杂度越高，token 成本越高、工程越难；第二，上下文管理的好坏直接决定 Agent 的有效性（无效信息挤占注意力）与成本（token 消耗）。理解了这一层，"为什么我只说了一句你好却扣了很多 token"这个经典疑问就迎刃而解------因为内部拼接了系统提示词、工具说明、环境信息等一大坨隐性内容。
回答： 面试表达金句："上下文管理的本质，是管理每一轮 Agent 循环中大语言模型所看到的信息；它把用户的一句话，组装成一段完整的多源输入。"**这句话可以作为任何"讲上下文管理"回答的开场，先立本质，再谈构成，最后谈动态变化。
二、第一轮上下文的八大构成（对照 Codex / Claude Code）
视频按行业标杆------Codex（OpenAI）与 Claude Code（Anthropic）的真实实现------梳理出第一轮输入通常组装的内容。Codex 源码已开源，Claude Code 的行为也能通过运行日志观测到，下面八块基本覆盖了它们的组装清单：
| # | 构成模块 | 内容说明 | 定性 |
|---|---|---|---|
| 1 | 基础行为规范 | System Prompt：角色设定、行为边界、技能清单（如"你是专业剧本设计师，遵守哪些规则，验收时审核哪些维度"） | 相对稳定 |
| 2 | 个人与项目规则 | CLAUDE.md / AGENTS.md：按项目/仓库隔离的规则文件，随项目动态变化 | 动态（文件驱动） |
| 3 | 用户偏好与历史经验 | 从过往对话沉淀的用户偏好（如"我喜欢霸道总裁爱上我的情节"）与踩坑经验，可选设计 | 可选 |
| 4 | 工具说明 | 当前可用工具清单与用法（Agent 与外界交互的唯一通道，必备） | 必要 |
| 5 | 技能目录 | 可用 Skills 列表（如 GPTs、Codex 的 skills 机制）；垂类 Agent 若不用可剔除 | 可选 |
| 6 | 环境信息 | 当前工作目录、运行平台、操作系统（Windows/Linux）、CLI 能力等客观环境 | 动态 |
| 7 | 权限与执行边界 | 哪些工具需人工审批、哪些免审批、哪些禁止------先声明边界，让规划不再做无效尝试 | 必要 |
| 8 | 当前需求与材料 | 用户本次问题、上传附件及其内容 | 每轮不同 |
1. 基础行为规范：Agent 的"人格与底线"
这块相对稳定，一次写好、每轮固定拼接。它是网上很火的 System Prompt 工程的落地形态。做垂类 Agent（比如"生成智能剧本的应用"）时，你会把"你是专业剧本设计师、遵守哪些规则、验收时审核哪些维度"写死在这一层。它决定了模型"用谁的语气、按什么标准、守住什么底线"来工作。
2. 个人与项目规则：Codex 与 Claude Code 的杀手锏
这是 Codex / Claude Code 这类"编程智能体"的独特设计：项目级规则文件（Claude Code 叫 CLAUDE.md，Codex 叫 AGENTS.md）。每个项目的约束不同，通过文件把它"物化"下来，模型每次对话都会自动把它拼在提问前面。这个设计极其优雅------规则从"代码里写死"变成"仓库里维护"，业务方可以直接编辑文件调整 Agent 行为，无需改框架代码。
思考： 从工程视角看，这套"文件即配置"的机制解决了 Agent 定制化的最大痛点：规则的可维护性与版本控制。CLAUDE.md 进 Git 仓库后，规则变更有了 diff、review、回滚，这比在 System Prompt 里硬改高级得多。做垂类 Agent 时这个思路值得直接抄------把领域规则、专有约束外置成文档目录，让领域专家而非程序员维护规则。
3. 用户偏好与历史经验：把"越用越好"做成产品卖点
如果你希望产品"越用越好"，就要在对话过程中自动沉淀用户偏好与历史经验。比如用户偏好某类情节，系统自动记录，下次对话自动带上，用户不必重复描述；又如"上次某个脚本执行得很差，我人工纠正过"，这个经验被记住后，下次就不会再犯。
视频特别强调：这块是可选的。做垂类 Agent 时，要先想清楚你的产品是否需要"个性化沉淀"，再决定要不要做------因为它涉及记忆存储、隐私边界、动态注入等额外复杂度。
4. 工具说明：Agent 的"手脚说明书"（必备）
Agent 与外界交互的唯一通道就是工具调用，而用户不可能在对话里逐条告诉模型"有哪些工具可用、参数怎么填"。所以设计 Harness 时，工具说明是必拼内容：工具名、功能、参数 schema、使用约束，全部在初始提示词里声明好。这是"Function Calling / Tool Use"在上下文层的落地。
5. 技能目录：与 Skills 机制对接
GPTS、Codex Skills 这类机制就是在上下文里注入"当前可用技能清单"。通用平台为了"什么都能干"必须带它；但垂类 Agent 如果功能固定，技能目录就是冗余，可以排除------上下文不是越多越好，每一块都要为"这个 Agent 的定位"服务。
6. 环境信息：让模型"知道自己在哪"
环境信息是一类常被忽略、但让模型表现差一大截的输入。问 Claude Code"今天天气怎么样"，它会把当前工作目录拼进提示词；同样，运行在哪个平台、是 Windows 还是 Linux、CLI 支持哪些命令------这些客观信息让模型的回答和行动更"贴地气"，避免生成与环境不符的指令（比如在 Windows 上给出 bash 语法）。
7. 权限与执行边界：效率的隐藏杠杆
权限不仅仅是"安全"，更是效率 。虽然工具执行的审批已通过硬编码（调用时弹窗确认）实现，但如果在提示词里先声明清楚：哪些工具免审批、哪些需审核、哪些行为禁止------模型在 Plan 阶段就不会做无效尝试。直接效果是：上下文（token）更省、时间更少、执行效率更高。
思考： 这是全片最有"工程味"的一个点：把安全约束前置到提示词层，与运行时强制层形成双层防护。运行时硬编码负责"拦得住"，提示词声明负责"别去试"。两者缺一：只有硬编码，模型会反复触发拦截、浪费整轮上下文；只有提示词，遇到越权行为可能被绕过。面试中能主动讲出 "permissions（白名单/审批/禁止）→ 降低无效探索 → 节省 token" 这条因果链，是明显的加分项。
8. 当前需求与材料：每轮的主角
最后一块就是用户当前的问题、附带的附件及其解析内容。这是唯一"每次都不一样"的部分，也是整个输入组装里语义密度最高的一段。
**答案：**八大构成的面试话术模板：只需类比"给新员工办入职"------行为规范（员工手册）、项目规则（团队 SOP 文档）、用户偏好（客户档案）、工具说明（办公系统操作指南）、技能目录（内部课程库）、环境信息（工位/办公设备）、权限边界（门禁与审批流程）、当前材料（本次任务需求书）。一整套讲下来，面试官能立刻判断你是真做过还是背过概念。
三、多轮之后：上下文是动态变化的信息流
回到最简单的 ReAct 循环：从用户提问到大模型，你表面只问了一句，但 Harness 内部拼了上面八大块。而当对话走过一轮、工具执行完返回，输入会继续"生长"：
- 历史对话回流：前几轮的 Q&A 会拼进来，成为"记忆"的载体；
- 工具结果回流：每轮工具调用的返回结果也会追加进上下文；
- 历史被压缩/筛选/精简：当历史太长，框架会对它做压缩、采样、裁减（甚至摘要化），控制 token 成本；
- 整段上下文在每一轮动态变化：没有"固定不变的 prompt"，只有"每轮重新组装的消息序列"。
这正是视频埋下的伏笔，也是后续"会话历史怎么管理、工具结果怎么管理"系列视频的主题。
思考： 这里有个容易被忽略的关键点：**上下文管理 = 组装 + 淘汰。**新手只看到"拼什么"，高手看到"砍什么"。token 窗口是硬约束，淘汰策略（窗口截断、滑动窗口、摘要、相关性采样）直接决定长任务的成败。面试进阶可以从这里延伸：多轮 Agent 如何避免"上下文污染"（工具输出混入不该有的内容）、如何做分层记忆（短期窗口 + 长期摘要）、以及"压缩后的历史是否丢失关键信息"的权衡。
深度思考：从"行业标杆"到"垂类取舍"
视频给了一个非常务实的收尾视角：Claude Code 和 Codex 是通用平台 ，所以必须考虑全部八个维度；而你做垂类 Agent 时，完全可以按需取舍------技能目录可以删、用户偏好可以不做、环境信息可以精简，甚至工具说明都能收敛成固定集合。
这套对比本身就是一种方法论：先抄行业标杆的完整框架 → 再按业务定位做减法。通用平台追求"什么都能干"，所以要面面俱到；垂类 Agent 追求"干得极好"，所以砍掉一切与主线无关的输入，把 token 预算全部留给核心任务。
思考： 横向对照行业趋势：上下文管理正在从"手工拼 prompt"走向"系统化分层"------短期会话历史、长期记忆库、工具结果缓存、项目级规则目录各司其职；叠加压缩技术（如长上下文摘要、KV Cache 优化、上下文蒸馏），它已经演化成一个独立的技术栈。大厂面试如果继续深挖，大概率会沿着"记忆系统→压缩策略→工具结果管理"这条线连环追问，这与视频作者"后续逐个展开"的系列规划高度一致。对备考者来说，这篇视频的价值不只是"知道八大构成"，更是拿到了一个可以持续扩充的知识骨架。
总结要点
- 本质先行：上下文管理的本质 = 管理每一轮大模型看到的信息；模型本质"无状态"，连续性全靠框架层组装。
- 结构性认知：第一轮上下文 ≈ 八大构成------行为规范、项目规则、用户偏好、工具说明、技能目录、环境信息、权限边界、当前需求。
- 标杆对照：CLAUDE.md / AGENTS.md 是"文件即配置"的项目规则范式，规则外置进仓库、可版本控制，是通用编程 Agent 的核心工程细节。
- 权限即效率：把权限/禁止项写进提示词，可让模型在 Plan 阶段就避开无效探索，直接省 token、提效。
- 动态信息流：多轮后，上下文 = 原输入 + 历史对话 + 工具结果 + 压缩/筛选后的旧历史，每一轮都重新组装。
- 垂类做减法：通用平台全量考虑，垂类 Agent 按业务定位删减模块，把 token 预算投给核心任务。
- 面试连接词：上下文管理 → 记忆系统 → 压缩策略 → 工具结果管理，这条链路是后续追问的自然延伸，建议逐个准备深度素材。
参考资料
- 原始视频：什么是上下文管理？Agent上下文管理是面试必问（啊涛聊AI）
- OpenAI Codex：github.com/openai/codex（开源，可查阅上下文组装源码）
- Anthropic Claude Code + CLAUDE.md 概念（Anthropic 官方文档）
- 关联阅读：本系列上一期《Agent Harness 是什么------智能体操作系统六大构成深度解析》