传统Agent开发常依赖模型微调，但过程复杂且成本高昂。一种被称为上下文工程的思路正成为新趋势，它通过精巧的提示与工程技巧，深度挖掘大模型原生潜力。这种方法旨在不改变模型权重的前提下，高效构建出通用且能力强大的智能体，为开发者提供了更灵活、成本更低的实现路径，尤其适合快速迭代和复杂任务处理。
智能速览
通过稳定静态前缀，KV-Cache命中率可提升至接近100%，推理速度获得数量级提升。
利用Logit Masking在解码阶段屏蔽无效工具，从根源上解决工具乱用问题。
将文件系统作为“外置显存”，按需加载数据，突破长文本处理的内存限制。
引入“背诵机制”，实时更新计划文件以对抗遗忘，确保Agent聚焦核心目标。
保留失败轨迹作为负样本，能有效增强Agent的自我修正能力和鲁棒性。
精华内容
上下文工程并非玄学，而是一套可复用的工程技巧。接下来将深入拆解构建通用Agent的五大核心实践，展示如何在不微调模型的情况下，精准提升Agent的能力边界。
稳定前缀提速
在生成式模型的推理过程中，KV-Cache技术通过缓存历史计算的键值对来避免重复计算，显著提升速度。关键在于保持Prompt的静态部分（如系统指令、固定模板）置于头部且内容不变。若头部频繁插入动态信息，将导致缓存失效，无法复用计算结果。
通过将动态变量置于Prompt尾部，确保前缀稳定，可以将缓存命中率提升至接近100%，从而让推理速度获得数量级的提升，尤其在高并发场景下效果显著。
精准控场工具
当Agent可用的工具数量庞大时，仅靠Prompt指示模型正确选择工具变得极其困难，容易出现工具乱用或误用。Logit Masking技术提供了一种底层解决方案。它结合有限状态机（FSM）预先定义好工具调用的逻辑流程，在模型生成下一个token的解码阶段，直接将不符合当前状态的工具对应的输出概率（logits）掩码掉。
这意味着模型在物理上无法选择那些当前不被允许的工具，实现了比Prompt指令更精准、更可靠的控场效果，从根源上解决了工具爆炸问题。
外置虚拟显存
大模型的上下文窗口长度直接限制了其处理信息的规模，而长上下文会消耗大量宝贵的显存资源。将文件系统作为一种“外置显存”是一种巧妙的变通方法。对于代码库、长篇文档等大型数据，无需一次性全部载入模型上下文。
可以设计一个检索机制，让Agent根据当前任务需求，动态地从文件系统中读取最相关的片段。这不仅极大地降低了单次推理的显存占用，还让模型能够处理远超其原生窗口限制的海量数据，实现了资源效率与处理能力的双重突破。
对抗遗忘机制
Agent在执行多步复杂任务时，容易陷入细节而遗忘初始的全局目标，导致行为偏离或陷入循环。为此，可以引入一个“背诵机制”。维护一个实时更新的计划文件（如todo.md），记录核心目标与当前步骤，并在每次交互时将其作为上下文的一部分强制提供给模型。
这相当于不断提醒Agent“最终要做什么”，将全局目标始终保持在模型的注意力范围内，有效避免了Agent陷入无意义的重复或偏离主航道，确保任务执行的连贯性和准确性。
错误即负样本
在Agent的开发过程中，失败和错误并非全无价值，反而是宝贵的学习素材。保留每一次失败的完整轨迹——包括输入、决策过程和错误结果——相当于构建了一个高质量的负样本库。
当遇到类似情境时，模型可以参照这些历史失败案例，学习如何避免重蹈覆辙。这种基于经验的反思和修正，能够显著增强Agent的鲁棒性。通过持续收集和分析失败案例，Agent可以不断优化其决策逻辑，变得更加智能和可靠，实现真正的“越挫越勇”。
Manus的实践表明，充分挖掘大模型原生潜力，通过精巧的工程手段同样能构建出强大的Agent。这种思路跳出了微调的框架，为开发者提供了更高效、低成本的路径。未来，随着工程技巧的不断成熟，上下文工程或将成为Agent开发的主流范式之一。
