Skip to content
rookie_L
Go back

告别上下文腐化:Deep Agents 如何用上下文工程实现“轻量记忆”

Edit page

如果你曾在期末考试前通宵死记硬背,一定体验过这种感觉:随着塞进大脑的考点越来越多,前面刚复习过的内容反而开始迅速模糊。

在大语言模型与自主智能体(Agent)的实际工程落地中,LLM 同样面临一模一样的困扰。在长链路任务中,随着指令、中间推理历史、海量工具返回(Tool Results)以及用户修改意见的持续累加,模型的上下文窗口被迅速占满。

在 Agent 工程领域,这种现象被称为 上下文腐化(Context Rot):模型携带的历史、噪声与无用工具数据越多,它的推理精准度、指令遵循能力与准确率就会出现断崖式下跌。

近期,LangChain 在官方深度长文《Context Engineering with Deep Agents: How To Remember Without Keeping Everything In Context》中,系统性阐述了其开源 Agent 脚手架 Deep Agents 在上下文工程(Context Engineering)上的架构解法。

本文将深入剖析其核心设计模式,探讨如何在不让上下文爆炸的前提下,构建具备持久记忆与长任务规划能力的可靠 Agent。


一、 什么是上下文工程?从“全部塞入”到“动态调度”

从本质上讲:一个 Agent 就是一个大语言模型(Model)套上一层脚手架(Harness)。

面对 Context Rot,许多初学者的第一反应是:“换一个支持 1M 或 2M 超长上下文的模型不就行了?” 但在生产实战中,超长上下文从来不是免费的午餐:

  1. 注意力分散(Needle In A Haystack 衰减):即使模型能处理 1M tokens,随着上下文噪声增加,注意力机制被高度稀释,漏掉关键指令的概率急剧攀升;
  2. 延迟与成本激增:每多带 10 万 tokens 进行一次思考,首字延迟(TTFT)和每轮 API 账单都在成倍飙升。

因此,上下文工程(Context Engineering)的核心哲学在于:只在合适的时间,将最合适的上下文递给模型。

它主要划分为两个作战方向:

flowchart TD
    subgraph Harness["Deep Agents 上下文治理脚手架 (Middleware 架构)"]
        RawTool["外部工具大输出 (>20k tokens)"] -->|1. Offloading 截断外置| FileStorage[("磁盘文件系统<br/>/large_tool_results/")]
        RawTool -->|只保留 Preview + 指针| ActiveContext["活跃上下文窗口 (Active Window)"]

        SubTask["高噪声调研任务"] -->|2. Subagent 独立窗口隔离| SubAgent["子智能体 Subagent<br/>(独立执行,消耗廉价模型)"]
        SubAgent -->|只返回提炼结论| ActiveContext

        SkillsRepo["技能仓库 (SKILL.md)"] -->|3. Progressive Disclosure| SkillMenu["System Prompt: 技能菜单 (单行描述)"]
        SkillMenu --> ActiveContext
        ActiveContext -.->|按需主动读取完整实现| SkillsRepo

        ActiveContext -->|4. 水位线检测 (>85%)| Summarizer["滚动可恢复摘要 (Summarization)"]
        Summarizer -->|历史消息沉淀| SessionHistory[("会话归档<br/>/conversation_history/")]
        Summarizer -->|注入 Summary + 最近几轮消息| ActiveContext

        UserPref["用户偏好 / 长期教训"] -->|5. 文件长效记忆| MarkdownMemory[("Markdown 文件<br/>/memories/AGENTS.md")]
        MarkdownMemory -->|每次启动注入| ActiveContext
    end

二、 核心机制实现:洋葱模型与 Middleware 中间件

在 Deep Agents 中,所有的上下文治理策略并不是散落写死在业务代码里的,而是依托于 Middleware(中间件) 架构。

一个 Agent 的核心驱动本质是一个循环: $$\text{模型决策} \longrightarrow \text{调用工具} \longrightarrow \text{获取结果} \longrightarrow \text{再推理}$$

Deep Agents 允许在模型的每次调用前后、工具调用执行前后插入拦截逻辑。正是通过这套洋葱结构,实现了以下五项上下文工程武器。


三、 Deep Agents 的五大上下文治理武器

1. Offloading:外置大对象,拒绝有损截断

在调用查询接口(如检索财报、拉取数万行日志)时,工具返回的数据极其庞大。但实际上,Agent 本轮决策往往只需要其中的一两项核心指标。

传统做法要么全部放进 Prompt 导致窗口爆掉,要么直接暴力 slice(0, 1000) 截断。暴力截断是有损的,一旦截掉了关键信息,后续决策就会彻底失败。

Deep Agents 的 FilesystemMiddleware 提供了优雅的指针式外置(Offloading):

Tip

超长用户输入(例如用户一次性粘贴了长达 50,000 tokens 的客服通话录音)同样会触发该机制,自动存入 /conversation_history/,让模型保持清爽。


2. Recoverable Summarization:可回溯的滚动摘要压缩

即使拦截了巨型工具输出,在数十轮复杂推演后,上下文依然会逼近上限。

Deep Agents 的 SummarizationMiddleware 会在每次 LLM 调用前监控 Token 水位:


3. Progressive Disclosure:基于 Skills 的按需渐进式揭示

很多开发者习惯把系统可能用到的全部业务规则、几十种操作流程全部写在 System Prompt 里。 例如:销售团队每个季度才需要格式化一次的“季度业务回顾(QBR)报告模板”,如果常驻在 System Prompt 中,意味着每一轮调用的每个 Token 都在为此付费,并且干扰其他日常任务的注意力。

Deep Agents 引入了 Skills(技能机制) 与 渐进式揭示(Progressive Disclosure):

  1. 技能封装:每个技能是一个包含 SKILL.md(包含使用说明、脚本、参考文档)的独立目录;
  2. 菜单注入:启动时,SkillsMiddleware 只解析每个技能的 Header 元数据,在 System Prompt 中只追加类似菜单一样的名称与单行简述;
  3. 按需装载:常驻上下文只需消耗几十个 Token。当且仅当用户提出相关需求、模型判定需要运用该技能时,模型才会主动触发文件读取工具把完整的 SKILL.md 装载进当前任务;
  4. 效果:十个专业级复杂技能的常驻上下文开销,仅仅等同于十行简短的菜单文本。

4. Subagents:为高噪声子任务划定独立上下文边界

有些任务天然就是“高噪声”的。例如:“深入调研某家竞品最近半年的五大产品更新,并阅读相关资讯”。 如果让主 Agent 亲自去执行,十几轮 Google 搜索、翻看网页、纠错过滤产生的上百条无用片段会把主上下文严重污染。

SubAgentMiddleware 允许主 Agent 将特定重负荷任务派发给子智能体(Subagent):

market_researcher = {
    "name": "market-researcher",
    "description": "深入调研某公司动态,并返回最值得注意的 3 点结论",
    "system_prompt": "使用 pull_market_report 并抓取资讯,最终返回 3 条核心 Bullet points。严禁直接返回大篇幅原始文本。",
    "tools": [pull_market_report, search_web],
}

agent = create_deep_agent(model=model, subagents=[market_researcher])

5. File-based Long-term Memory:真正属于你的文件式记忆

记忆不应该被锁在某一家云厂商的专有黑盒数据库里。

Deep Agents 采用最质朴却最坚固的方案:基于纯 Markdown 文件的长效记忆(例如 /memories/AGENTS.md):

agent = create_deep_agent(
    model="openai:gpt-6",  # 哪怕下周切换了底层大模型提供商
    memory=["/memories/AGENTS.md"],  # 长期记忆文件与私有存储完好无损
    backend=backend,
    store=store,
)

即使底层大模型从 Claude 切换到了 GPT-6 乃至本地私有化部署的模型,由于记忆是一份属于你自己的普通文本文件,新模型读入后依然能完美遵循你以往调教的全部习惯。


四、 生产落地实践军规

无论是使用 Deep Agents,还是在自主的 LangGraph、AutoGen 架构中构建 Harness,以下五条法则是规避上下文陷阱的核心工程准绳:

工程法则核心主张为什么关键
Offload not Truncate外置卸载,而非盲目暴力截断暴力截断是不可逆的有损丢失,外置存储保留了随时回溯的能力
Recoverable Compaction压缩机制必须可回溯还原摘要丢失细节时,Agent 必须拥有按需捞回历史原始记录的手段
On-demand Know-how领域专业知识必须按需动态装载将海量规则死塞在 System Prompt 中是 Token 浪费和注意力稀释的根源
Isolated Noise高噪声探索过程必须划定独立子图保护主 Agent 上下文的纯净度,让核心逻辑始终聚焦在核心目标上
Owned Memory掌控长期记忆的基础存储所有权采用结构化/文本化存储,避免与单一云端闭源模型强绑定

五、 结语

在构建严肃的工业级 Agent 系统时,“大模型本身的能力”固然决定了系统的智商上限,但脚手架(Harness)对上下文的工程调度能力,才真正决定了 Agent 在复杂长任务中能否稳定着陆。

通过 Offloading、可逆摘要、技能揭示、子图隔离与文件记忆,Deep Agents 为我们展示了一套极为成熟的上下文工程范式。未来的 Agent 开发,必将从粗放式的“堆砌 Prompt”全面转向精细化的“上下文分层流转”。


Edit page

Previous Post
深度剖析 LangSmith Engine v2:用红队攻防与自动闭环修复破解 Agent 生产落地难题
Next Post
模块化重塑与现代 Tool Calling:LangChain 生产级工程实践指南