深度解析三大 Agent 上下文工程:Claude Code、OpenClaw、Hermes 的设计哲学
上下文工程是决定 Agent 稳定性与执行效率的核心机制。其目标是在有限的上下文窗口内,通过优化 Token 的效用,保障大模型在固有约束下持续实现预期效果。很多时候,模型的幻觉、失忆或跑偏,并非模型能力不足,而是上下文管理策略失效。将所有信息“平权”地放入上下文,会导致模型在海量信息中难以聚焦,从而影响任务理解与指令遵循。提示词工程决定了 AI 怎么运行,而上下文工程则决定模型每一轮对话中能看见什么,是 Agent 设计中不可忽视的一环。
01Claude Code:渐进式调度与自动恢复
Claude Code 采用了一套精细化的内建策略,将上下文划分为稳定的系统层与动态的任务层。系统层包含系统提示词、CLAUDE.md 及自动记忆,这些内容在启动时加载,为 Agent 提供长期的行为约束和项目知识。当用户输入指令后,文件读取、思考过程及工具执行等动态内容会迅速占用窗口。为了应对这一挑战,Claude Code 实施了 5 层压缩思路。
- 处理高噪音工具结果
优先过滤掉无意义的执行过程与冗余输出。 - 历史裁剪与轻量压缩
结合缓存感知,对非核心历史信息进行初步清理。 - 上下文折叠与自动压缩
将全文转换为摘要继续工作,或对旧上下文做激进取舍。 - 自动恢复工作集
压缩后自动恢复最近读取的文件和激活的 Skills,避免重复读取导致上下文浪费或动作变形。
02OpenClaw:开放生态与可定制引擎
OpenClaw 的上下文管理呈现出高度的平台化特征。其初始上下文不仅包含系统提示词和记忆,还纳入了 Soul、Identity、User 等更为丰富的身份定义文件,这虽然增强了 Agent 的个性化能力,但也更容易导致上下文超限。在裁剪机制上,它同样会丢弃旧的工具输出结果,但其核心亮点在于 context-engine 插件。
该插件作为可替换组件,允许用户自定义上下文管理策略,决定每次调用模型时注入哪些历史消息、窗口溢出时如何压缩。配合内置的 /context list 和 /context detail 视图,用户可以清晰看到注入内容的成本构成。这种设计将上下文生命周期的控制权完全交给用户,但也意味着若缺乏主动配置,Agent 的表现可能不如开箱即用的方案稳定。
03Hermes:双层压缩与交接语义
Hermes 在上下文管理上采取了更为激进的策略,明确了双层压缩机制。Gateway 层设置 85% 的阈值作为兜底,防止上下文瞬间膨胀;而 Agent 层则在 50% 阈值时主动触发压缩,通过尽早干预换取后续步骤的稳定性。其设计精髓在于将压缩结果视为“交接文档”。
这种摘要不是宽泛的总结,而是结构化的任务清单,明确包含目标、进度、核心决策、相关文件及下一步计划。这种设计确保了下一轮模型能够基于交接文档快速接管工作。此外,Hermes 支持增量更新,多次压缩是在上一次摘要基础上追加,而非重复总结,从而有效避免了信息在多次压缩中的递进流失。
| 特性 | Claude Code | OpenClaw | Hermes |
|---|---|---|---|
| 核心策略 | 渐进式调度 | 开放生态 | 交接语义 |
| 压缩阈值 | 5层渐进压缩 | 依赖插件配置 | 双层(50% / 85%) |
| 恢复机制 | 自动恢复工作集 | 无强调工作集恢复 | 结构化交接文档 |
| 信息保留 | 缓存感知 | 用户自定义 | 增量更新 |
| 适用场景 | 追求稳定高效 | 高度定制需求 | 复杂任务延续 |
三大 Agent 上下文机制对比
04上下文工程通用设计建议
基于对上述 Agent 的分析,高效的上下文工程应避免将上下文窗口视为垃圾桶。设计时应至少构建 4 层结构:长时记忆(跨会话保持)、稳定规则(系统提示词)、当前资源(技能、工具、文件)以及任务进展。同时,应具备成本意识,频繁变更 System Prompt 或记忆快照不仅增加成本,还会破坏模型的稳定性。压缩的本质应是生成可执行的交接清单,而非简单的信息缩减,确保 Agent 在动态环境中始终保持连贯的逻辑状态。
当前文章无评论,是时候发表评论了