核心判断： 上下文窗口是 RAM，不是硬盘。窗口越大≠效果越好------研究里叫 context rot （上下文腐化）：token 越多，模型对中间信息的召回精度越下降。所以主流 Agent 的工程目标不是"塞下更多"，而是每一步只塞最小的高信号 token 集。这篇文档拆的就是这件事在 Claude Code、Cline、Aider、LangGraph、OpenAI 这些产品里具体怎么落地。
暂时无法在飞书文档外展示此内容
一、为什么上下文管理是 Agent 工程的第一问题
普通聊天是一问一答，上下文一两轮就清空。Agent 是循环------模型自己调工具、看结果、再调下一个，一个任务跑几十上百轮。每轮都产生新的 token：用户消息、模型推理、工具调用 JSON、工具返回结果。窗口很快就会撑满。
撑满之后不是简单的"报错"，而是四种隐性失败，每一种都会让 Agent 悄悄变差：
| 失败模式 | 含义 | 典型症状 |
|---|---|---|
| Context Poisoning 上下文中毒 | 早期一次幻觉被塞进了历史，后面所有轮次都基于这个错误前提推理。 | Agent 越跑越偏，跟用户说的事实对不上。 |
| Context Distraction 上下文分心 | 窗口里塞了太多无关信息，模型注意力被稀释，抓不住重点。 | 明明给了正确线索，模型却忽略了。 |
| Context Confusion 上下文混淆 | 历史里有多条相似但不同的信息，模型混淆了哪条是当前任务要用的。 | 用了上一个任务的文件路径/参数。 |
| Context Clash 上下文冲突 | 历史里两条信息互相矛盾（用户先说 A 后说 B），模型不知道听谁的。 | 输出前后矛盾，或莫名其妙取了旧值。 |
叠加 context rot（长窗口召回精度自然下降）和成本/延迟随 token 线性上涨，结论很直接：不管窗口多大（128k、200k、1M），都必须主动做上下文管理。Anthropic 自己的说法是------"把上下文当成有限资源，而不是可以无限灌的桶"。
二、一个典型 Agent 的上下文到底由什么组成
把一次 LLM 调用的输入拆开看，按顺序通常是这样：
| 组成部分 | 内容 | 是否跨轮变化 | 典型占比 |
|---|---|---|---|
| System Prompt | 角色、行为准则、输出格式、拒绝策略、工具用法示例。 | 基本不变 | 5%~10% |
| 工具定义 | 所有可用工具的 name + JSON Schema + description。 | 基本不变（除非动态增减工具） | 5%~15% |
| 长期记忆 / 项目文件 | CLAUDE.md、rules 文件、用户画像、关键事实笔记。 | 偶尔更新 | 3%~8% |
| Message History | 对话历史：用户/助手/工具角色的消息列表。 | 每轮追加 | 20%~40% |
| Tool Results | 最近几次工具调用的返回结果（文件内容、搜索结果、SQL 输出）。 | 每轮追加 | 15%~30% |
| 当前用户消息 | 这一轮用户的输入。 | 这一轮才有 | 1%~5% |
关键观察：真正每轮变化的只是后 50%~70% 。前面那 30%~40%（system + tools + memory file）在多轮之间是固定的------这就是 Prefix Cache 的物理基础，后面会专门讲。
上下文管理的四件事------Write / Select / Compress / Isolate------本质就是在管这张表里的每一行：哪些要预加载、哪些要按需取、哪些要压掉、哪些要拆出去。
三、策略一：Write ------ 把信息写到窗口外面
核心思想：窗口里只放"这一步必须用的"，其他信息写到外部存储（文件、数据库、state object），需要时再用工具读回来。
3.1 Scratchpad（草稿纸）
让 Agent 自己维护一个工作笔记，跨轮持久化。常见实现：
- 文件即笔记 ：Claude Code 的 TODO list、项目根目录的
NOTES.md/progress.md。Agent 用 Edit/Write 工具更新，下一轮用 Read 读回来。 - State object 字段 ：LangGraph 的 state schema 里加一个
notes字段，每轮由模型写入、系统自动持久化，不用工具调用。 - 专门的 Memory 工具：Anthropic 在 Sonnet 4.5 上线了 memory 工具（beta），就是把"存笔记/读笔记"抽象成两个 function call，模型自己决定何时写、何时读。
Anthropic 拿 Claude 玩 Pokémon 做过实验：不开记忆，跑几百步就忘自己在干嘛；开了结构化笔记，Agent 自己在笔记里维护"已探索区域地图 / 已解锁道具 / 战斗策略"，跨几千步还能连贯推进。
3.2 Procedural Memory（程序性记忆）：CLAUDE.md 这一类
不是事实，而是"做事的规则"。典型形式：
- Claude Code 的
CLAUDE.md（项目根目录）和用户级~/.claude/CLAUDE.md。 - Cursor 的
.cursorrules、Windsurf 的.windsurfrules。 - Cline 的 Memory Bank：在项目里建一组 markdown（projectBrief.md、techContext.md、productContext.md 等），每次启动自动加载。
这些文件每轮都被塞进上下文（属于"长期记忆"那一段），所以要克制------它们是 system prompt 的延伸，不是日志。Anthropic 的建议是"minimal but complete"：够指导行为，又不冗余。
3.3 Long-term Memory（长期记忆）：跨会话的用户画像
跨会话记住"用户是谁、偏好什么、之前做过什么"。专门做这一层的产品：
| 产品 | 核心机制 | 写入/召回方式 |
|---|---|---|
| Mem0 | 从对话里抽事实，自动去重、打分、存向量库。 | 用户和助手每轮对话后异步抽 memory；召回用 embedding + 时间衰减。 |
| Letta (MemGPT) | 把 LLM 当 CPU，显式划分 main context（RAM）和 external context（磁盘），模型自己决定 page in/page out。 | 通过 core_memory（窗口内）和 archival_memory（外部）两个工具手动管理。 |
| Zep | 时序知识图谱，把记忆建成图（实体 + 关系 + 时间）。 | 不是简单向量检索，而是图查询------能回答"用户上次说的那个项目用的什么技术栈"。 |
| ChatGPT 自动记忆 | 对话中自动识别值得记住的事实，存到用户级 memory。 | 召回靠 embedding；问题是会误召回（Simon Willison 举过例子：自己要求生成图片，结果模型把"他在哪个城市"也从记忆里拉进去了）。 |
工程经验：写入要异步 （不要让用户等抽 memory）；召回要按用户隔离（A 的偏好不能给 B 用）；过期事实要有 TTL 或被新事实覆盖。
四、策略二：Select ------ 每轮只选相关的进来
Write 解决了"存哪儿"，Select 解决"每轮拿什么"。不是所有信息都该进窗口。
4.1 预加载 vs 即时加载
| 策略 | 做法 | 适用 |
|---|---|---|
| 预加载 （eager） | 启动时就把 system prompt、工具定义、CLAUDE.md、最近一次任务状态塞进窗口。 | 小项目、规则稳定、首轮延迟不敏感。 |
| 即时加载（lazy / just-in-time ） | 窗口里只放轻量标识符（文件路径、URL、query），模型用 Read/grep/HTTP 工具按需取。 | 大代码库、长文档、动态数据。Claude Code 就是这种：CLAUDE.md 预加载，其他文件靠 glob + grep + Read 现取。 |
Anthropic 把后者叫 "just-in-time context"：别预计算塞进来，给模型工具让它自己导航。好处是不用维护复杂的索引，坏处是多了一轮工具往返。生产里通常是混合：稳定的规则预加载，动态的内容即时取。
4.2 RAG：按相关度检索
知识库大到塞不进窗口，就做检索。工程细节：
- Chunking：按语义边界切（代码用 AST 切函数/类，文档按段落 + overlap），不要按固定字符数硬切。
- 混合检索：embedding（语义）+ BM25（关键词）两路召回，再用 cross-encoder re-rank 取 Top-K。纯 embedding 在代码库上不可靠（Windsurf 工程博客原话）。
- 上下文拼接模板 ：召回结果不是直接拼进 history，而是包成一个
<context>...块放在用户消息前面，并标注来源，方便模型区分"这是检索来的参考"还是"用户原话"。
4.3 工具 RAG：工具太多时也要选
当工具数量超过 ~20 个，工具定义本身就能吃掉 10k+ token，而且模型会因为描述相似而选错工具。做法：把所有工具描述做 embedding，每轮根据用户消息语义检索 Top-K 个相关工具，只把这几个塞进 system。LangGraph 的 BigTool 库就是干这个的，论文里说工具选择准确率提升 ~3 倍。
五、策略三：Compress ------ 窗口要爆时压掉
前面是预防，Compress 是兜底。触发时机通常是"窗口用了 80%~95%"。
5.1 Tool Result Clearing（最轻量）
最安全的压缩：不改对话，只把旧工具结果替换成占位符。比如第 5 轮那个 grep 结果，到第 30 轮已经没用了，换成：
[Tool result cleared: grep returned 12 matches in src/; see original output at turn 5]
Anthropic 在 Claude Developer Platform 上线的 "tool result clearing" 就是这个------不动模型行为，只省 token。这是第一档该做的事。
5.2 Auto-Compact（全轨迹摘要）
窗口接近满时（Claude Code 是 95%），把整个对话历史喂给模型，让它输出一段摘要，然后用"摘要 + 最近 N 轮原始消息"重启一个新窗口。
关键是摘要 prompt 里要明确保留什么、丢弃什么。Claude Code 的做法：
- 保留：架构决策、未解决的 bug、实现细节、用户偏好、当前任务目标。
- 丢弃：冗余的工具输出、重复的推理过程、已经完成的子任务细节。
- 附加：压缩后再拼上最近访问的 5 个文件，让模型有即时上下文。
工程经验：先调 recall（确保摘要不丢关键事实），再调 precision（去掉冗余）。压缩太狠会丢"现在看起来没用、后面才发现关键"的细节。
5.3 递归 / 分层摘要
超长任务（几小时的迁移、几十轮调研）不会只压一次。做法：
- 每过 N 轮做一次局部摘要（这一段的工具调用和结果）。
- 窗口再满时，把多个局部摘要再压成一个全局摘要。
- 形成"摘要的摘要"的树状结构，类似于人类的会议纪要分层。
5.4 Trimming（硬切）
最暴力的方式：直接丢掉最旧的 K 条消息。优点是零成本、确定性；缺点是可能丢掉早期重要约束（用户第一轮说的"不要用 X 库"）。工程上一般配合"系统级消息保护"：system prompt 和前几条关键用户消息永远不切。
六、策略四：Isolate ------ 拆窗口，不要一个 Agent 扛所有事
有些任务本身就需要探索（"帮我调研一下 A、B、C 三个方案"），让一个 Agent 在一个窗口里搜三个方案，结果就是互相干扰。拆成子 Agent 是最干净的解法。
6.1 Sub-Agent（子代理）
主 Agent 只做规划和综合，子 Agent 各拿一个独立窗口去深潜：
- 每个子 Agent 有自己的 system prompt、工具集、消息历史。
- 它可以用几万 token 去搜、去读文件、去跑命令。
- 完成后只回传 1k~2k token 的摘要给主 Agent。
Anthropic 的 multi-agent research system 论文里，这种架构在复杂调研任务上明显优于单 Agent。代价是 token 消耗可能是单 Agent 的 15 倍------所以只在并行探索有价值时用。
6.2 Sandbox（沙箱隔离大对象）
CodeAgent（HuggingFace deep researcher 用的那种）：模型输出一段 Python 代码，在沙箱里执行。大对象（图片、音频、CSV、中间结果）直接作为 Python 变量留在沙箱内存里，不进 LLM 上下文。回传给模型的只有 print 出来的几行结果或变量引用。这是隔离"重数据"的标准做法。
6.3 State Schema 隔离
LangGraph 式的状态对象：schema 里有很多字段，但只有 messages 这一个字段被暴露给 LLM。其他字段（工具结果缓存、中间计算、用户画像）留在 state 里，需要时由代码决定何时注入。这样 LLM 看到的永远是干净的消息流，不会被中间状态污染。
暂时无法在飞书文档外展示此内容
七、主流产品的具体实现拆解
7.1 Claude Code（Anthropic 官方 CLI）
- 预加载 ：项目根目录
CLAUDE.md+ 用户级~/.claude/CLAUDE.md+ 系统 prompt。 - 即时加载 ：内置工具
Read/Glob/Grep/Bash，模型自己导航文件系统。不做 codebase 索引。 - 压缩：Auto-compact 在 95% 窗口时触发，模型输出摘要 + 最近 5 个文件重启。
- 记忆工具：Sonnet 4.5 起有专门的 memory 工具（写文件到 memory 目录）。
- 子代理：可以 spawn 子 Agent，主 Agent 只拿摘要。
7.2 Cline（VS Code 编码 Agent）
- 不做 codebase 索引：官方博客专门解释------RAG 索引在大代码库上不可靠，而且会过期。让模型用 Read/Grep 工具即时探索更准。
- Memory Bank：项目里预建一组 markdown 文件（projectBrief / techContext / productContext / activeContext），每次会话启动加载，作为程序性记忆。
- 渐进式披露：工具返回大文件时不一次性塞，而是分页、截断、显示目录树，让模型自己决定要不要继续读。
7.3 Aider（终端 pair-programming）
- Repo Map：用 tree-sitter 解析整个代码库，抽出每个文件的类/函数/方法，生成一个 symbol map。
- 重要性打分：按 import 关系、被引用次数、与当前编辑文件的距离打分，只把 top-N 的符号塞进上下文（典型几百行）。
- 好处：模型不用读整个文件就能知道"项目里有哪些函数、它们在哪"，改代码时不会瞎编 API。
7.4 LangGraph（编排框架）
- 短期记忆：checkpointer 自动持久化每一步的 state（SQLite/Postgres），相当于自动 scratchpad。
- 压缩节点：在 graph 里加一个 summarization node，条件边判断"消息历史超过 N token 就走压缩分支"。
- 长期记忆：LangMem / Store API，支持 embedding 检索和按用户分库。
- 隔离：state schema 设计 + 子图（subgraph）天然隔离不同阶段的上下文。
7.5 OpenAI Responses API / Assistants
- Thread：服务端维护对话历史，客户端每次只传新增消息，不用自己管 messages 数组。
- 自动截断：超过模型上下文窗口时，服务端自动丢旧消息（具体策略不透明）。
- 内置工具：web_search / file_search / code_interpreter 都是服务端执行，大结果不会回到上下文。
7.6 长期记忆专门层：Mem0 / Letta / Zep
不自己造轮子时直接用：Mem0 适合"用户画像 + 偏好"，Letta 适合"Agent 自主管理记忆"，Zep 适合"需要实体关系推理"的场景。它们都是独立的 memory service，Agent 通过 API 读写，不占 LLM 上下文。
八、Prefix Cache 工程：被低估的成本杠杆
前面说过，system prompt + tools + memory file 这一段在多轮间是固定的。主流推理服务（OpenAI、Anthropic、火山方舟）都支持 Prefix Caching：这段固定前缀只算一次，后续轮次命中缓存直接复用，输入 token 价格打 1~2 折，首 token 延迟大幅下降。
工程上的硬规则：
- 固定前缀放在最前面：system prompt → tools → memory file → 最近消息。顺序不能变。
- 同一会话内不要改 system prompt / 工具列表 / thinking 配置------改一处整段缓存失效。调试期可以接受，线上必须冻结。
- 用户消息和历史放在前缀之后，这样它们变化不会影响前缀缓存命中。
- 多轮 Agent 的成本大头其实是缓存命中后的输入 token，不是输出。一个长会话不做 prefix cache，账单可能差 5~10 倍。
九、工具结果怎么处理：最容易被忽略的一块
工具结果是上下文膨胀的最大来源------一次搜索返回 10 条结果、一次 Read 读一个 500 行文件、一次 SQL 返回 1000 行。直接全塞窗口，3 轮就满。
| 工具类型 | 处理策略 |
|---|---|
| 文件读取 | 超过 ~200 行只返回目录/前 N 行 + 文件大小提示，让模型决定要不要 offset 继续读。 |
| 搜索结果 | 只返回 title + URL + snippet，不要全文；re-rank 后取 Top-5。 |
| SQL / API | 限制返回行数（LIMIT 20），返回 schema + 前几行样本，不要全量 dump。 |
| 命令输出 | stderr 全保留，stdout 截断到 ~2000 token，附"输出被截断，需要更多请用 head/tail 工具"。 |
核心原则：工具返回给 LLM 的是"索引和样本"，不是"数据本身" 。数据留在工具侧，模型要更多就再调一次工具。
十、上线前的上下文管理检查清单
| 问题 | 合格标准 |
|---|---|
| 固定前缀占比多少？ | system + tools + memory file 合计 ≤ 窗口的 30%，且多轮不变（prefix cache 友好）。 |
| 工具结果怎么截断？ | 大结果有明确的截断策略和"继续读"的工具，不是全量塞。 |
| 窗口到 80% 时怎么办？ | 有自动压缩（tool result clearing → summarization），不是硬切或报错。 |
| 压缩时保留什么？ | 有明确的 summary prompt，保留任务目标、未解决问题、用户偏好；丢弃冗余工具输出。 |
| 跨会话记忆存哪？ | 独立 memory service / 文件，按用户隔离，有过期策略。 |
| 工具超过 20 个怎么办？ | 做工具描述语义检索，每轮只塞相关 Top-K。 |
| 长任务怎么拆？ | 子 Agent 独立窗口，只回摘要；大对象走 sandbox 不进上下文。 |
| 怎么验证上下文管理有效？ | 有离线 case 库，改压缩策略后跑回归，对比任务成功率不下降。 |
资料来源
- Anthropic: Effective context engineering for AI agents（2025-09）：context rot、compaction、structured note-taking、sub-agent 三大长任务技术的官方定义。
- LangChain: Context Engineering（2025-07）：Write / Select / Compress / Isolate 四策略框架，以及 Cognition、Windsurf、HuggingFace 的工程实践。
- Claude Platform: Context Editing (Beta)：服务端自动管理对话上下文的 API。
- Cline: How to Think About Context Engineering（2025-08）：编码 Agent 的上下文取舍。
- Cline: Why We Don't Index Your Codebase（2025-05）：为什么编码 Agent 不做 RAG 索引。
- Aider: Repository Understanding and Context：Repo Map 的 tree-sitter 实现。
- LangChain Deep Agents: Context Engineering：Deep Agents 的 input context / runtime context / offloading / isolation 实践。
- Mem0: Long-Term Memory for Agents：生产级长期记忆的写入与召回。
本文为工程综述，具体阈值（如 95% auto-compact、Top-K 取值）来自各产品公开文档与工程博客，实际项目需按自身任务和模型窗口实测调整。