Google Agent 指南解读:Context Engineering 核心架构与工程实践
构建具备生产级可用性的 AI Agent,核心在于从简单的 Prompt 编写转向复杂的 Context Engineering(上下文工程)。大语言模型(LLM)本质是无状态的,其记忆与推理能力严格受限于单次请求的上下文窗口。Context Engineering 的目标是在运行时动态编排 System Prompt、工具定义、历史对话及外部知识,构建出高信噪比的 Payload。本文基于 Google 与 Kaggle 联合发布的 AI Agents Intensive 课程内容,从 Session 管理、Memory 架构、多 Agent 协作及检索策略四个维度,解析如何构建可持续进化的 Agent 系统。
01Session 工程化管理
Session 是用户单次对话的临时工作台,在生产环境中必须严格区分“History(仓库)”与“Context(菜品)”。History 是按时间顺序追加的完整日志,需持久化存储;Context 是根据当前请求精心剪裁后喂给模型的 Payload。工程化 Session 管理需遵循三道红线:严格隔离用户数据、落库前进行 PII 脱敏、保证并发写入的确定性顺序。此外,为防止 Session 无限膨胀,必须实施 Compaction(压缩)策略。
Session Compaction 策略对比
滑动窗口
最基础的压缩策略
- 只保留最后 N 轮对话
- 实现简单,但容易丢失长期记忆
- 适合对话逻辑简单的场景
Token 预算
基于成本控制的策略
- 倒着计算 Token 数量,塞满为止
- 能最大化利用上下文窗口
- 计算成本相对较高
递归总结
基于信息摘要的高级策略
- 使用 LLM 将旧对话总结为摘要
- 在窗口内最大化信息信噪比
- 计算昂贵,必须在后台异步执行
02Memory 架构与 ETL 流程
Memory 是从日志中提炼的有意义信息快照,负责跨 Session 维持 Agent 的个性化与连续性。Memory 区别于 RAG(检索增强生成):RAG 是静态的、公开的世界知识(如图书馆),负责广度;Memory 是动态的、私有的用户知识(如私人助理),负责深度。一个生产级的 Memory 系统本质上是一个由 LLM 驱动的 ETL 流水线,而非简单的存储操作。
Memory 的生成过程分为四个阶段:Ingestion(摄入原始对话)、Extraction(提取高价值信息)、Consolidation(整合新旧记忆)、Storage(落库)。其中 Consolidation 是核心壁垒,系统需比对新旧信息,执行去重、更新或冲突解决(如用户搬家后的地址更新),维护知识库的唯一真理性。在存储架构上,推荐采用 Hybrid 混合模式,结合向量数据库的模糊搜索能力与知识图谱的关系推导能力。
03多 Agent 协作模式
多 Agent 信息传递模式
共享模式
所有 Agent 在同一 Log 中对话
信息完全透明
缺点:上下文极易爆炸,难以维护


私有模式
每个 Agent 维护独立的 Session
仅通过消息或接口传递信息
符合微服务解耦思想,扩展性强
在跨框架协作(如 LangChain 与 Google ADK 互通)场景下,直接传递 Session 结构是不可行的,因为 Schema 强依赖于具体框架。正确的做法是构建 Framework Agnostic(框架无关)的 Memory 层作为通用语。无论 Agent 使用何种框架,均将知识沉淀为纯文本或 JSON 字典存入 Memory 层,从而实现真正的互操作性。
04检索与注入策略
Memory 的最终价值在于检索与注入。检索策略不能仅依赖语义相似度,成熟的系统需采用三维打分机制:Relevance(相关性)、Recency(新鲜度)和 Importance(重要性)。检索触发方式分为 Proactive(预加载,速度快但可能引入噪音)和 Reactive(按需调用,智能但延迟高)。在注入环节,Memory 通常被放置在 System Instructions(注入用户画像等高权威信息)或 Conversation History(注入近期具体细节)中,需警惕 Dialog Injection 风险,避免模型混淆记忆来源与对话内容。
当前文章无评论,是时候发表评论了