面对长任务和多轮交互，AI代理常因上下文膨胀而面临成本上升和性能下降的困境。本文深入探讨了上下文工程的三大核心策略——卸载、精简与隔离，通过具体方法演示如何高效管理信息流，从而优化代理的运行效率和稳定性，为构建更强大的智能体提供了清晰的实践指南。
智能速览
卸载上下文，将信息转移至外部存储以供按需调用。
精简上下文，通过压缩、总结等手段减少单次交互信息量。
隔离上下文，使用子代理处理独立任务以避免上下文爆炸。
渐进式披露技巧，仅在需要时加载详细的工具或技能信息。
子代理模式能在全新环境中执行任务，再返回结果给主代理。
精华内容
深入核心方法论，通过卸载、精简和隔离三大策略，可以系统性地解决上下文窗口的瓶颈问题，显著提升AI代理在复杂任务中的处理能力。
信息外存策略
卸载上下文是指将信息从模型的上下文窗口转移到外部存储，以便在需要时再取回，是应对上下文容量限制的基础策略。
一种常见做法是持久化信息。代理可以将计划或中间状态写入文件，在执行多步操作后再读回文件，这有助于保持执行一致性并避免遗忘。例如，通过cloud.md或agent.md等文件系统，可以保存跨代理调用会话的持久状态，充当代理的长期记忆。
此外，卸载也适用于工具管理。与其在系统提示中加载大量工具定义，不如只给代理少数原子化工具（如Bash、文件操作）。代理通过这些基础工具调用文件系统里的脚本，既能扩展能力，又不会污染系统提示。Anthropic的技能设计正是渐进式披露的体现，系统初始仅加载技能的头部描述，只有当代理决定使用某个技能时，才会读取其详细文档并执行。
信息压缩技巧
精简上下文的核心目标是在每次交互中，尽可能降低传入模型的上下文体积，从而控制成本和延迟。
压缩是一种可逆的精简方式。以Manus代理为例，它会把已执行、较旧的工具结果完整内容转存为文件，并在消息历史中只保留一个对该文件的引用。当需要时，代理可以重新读取原文，确保信息不丢失的同时，大幅减轻了当前上下文的负担。
总结则是一种不可逆的精简。当上下文窗口的使用率接近阈值（如95%）时，系统会触发一个总结流程，将整个消息历史浓缩成更精炼的内容。这种方法能有效节省空间，但不可避免地会带来部分信息损失。另外，一些系统还会采用过滤机制，通过中间件拦截特别大的工具输出，防止其直接塞入模型上下文中。
独立任务处理
隔离上下文旨在为那些可以独立完成的任务，开辟一个全新的、干净的上下文环境，从而避免单一上下文因任务复杂而膨胀爆炸。
子代理模式是实现隔离的关键。父代理在接收到一个复杂任务后，可以生成一个或多个子代理。每个子代理都在自己独立的上下文窗口中执行分配到的子任务，整个过程与父代理的上下文完全隔离。工作完成后，子代理仅将最终结果返回给父代理。这样，父代理无需承受整个任务执行过程中的大量细节和中间状态，保持自身的轻量与高效。
在部分设计中，隔离并不意味着完全切断信息。子代理虽然使用独立的上下文，但仍然可以与父代理共享某些资源，例如文件系统。这种设计既保证了任务的隔离执行，又保留了必要的信息访问能力，实现了隔离与协作的平衡。
掌握卸载、精简与隔离三大策略，是构建高效、稳定AI代理的关键。这些方法为解决上下文膨胀问题提供了系统化的思路，有助于在复杂任务中控制成本与延迟。未来的Agent架构会如何演进，以更智能地管理上下文？
