掌握上下文工程：Agent 框架如何解决检索瓶颈

在为小型团队构建生产级 AI Agent 时，管理上下文窗口的感觉就像是一场开卷考试。仅仅因为 Agent 在技术上可以访问所有公司文件和外部数据库，并不意味着它能高效地找到正确的信息。根据 LangChain 博客的说法，如果任由 Agent 随意搜索，它们会在开始生成有用的输出之前，就用失败的查询和臃肿的搜索结果填满有限的上下文窗口。

发生了什么

LangChain 博客最近详细介绍了上下文工程和 Agent 记忆的核心机制，重点关注了检索挑战。通过一个每周一研究数百个竞争对手的竞争分析 Agent 的循环案例，文章强调了不同任务需要不同的检索技术。

当 Agent 盲目打开文件查看内容时，文件系统搜索往往会失败。为了解决这个问题，像 LangChain 的 Deep Agents 这样的框架提供了内置工具，例如 ls_info（用于在不读取内容的情况下检查文件和目录）和 grep（用于搜索精确关键词）。然而，在处理新闻存档或不同措辞时，精确匹配往往力不从心，这就需要由向量数据库支持的语义搜索。

为了防止工具结果淹没上下文窗口（例如包含 40,000 行的市场数据导出或超过 20,000 个 token 的新闻文章），开发人员可以通过 read_file 的偏移量和限制来实现分页。或者，框架可以自动将大型结果卸载到 /large_tool_results/，并为 Agent 提供文件路径和简短预览。文章概述了一个使用 Python 的简化检索工具模式：

backend = StateBackend()
@tool 
def search_news(query: str) -> str:
    """搜索新闻存档并将每个结果保存到文件。"""
    docs = vector_store.similarity_search(query, k=4)
    files = [(f"/retrieved/result_{i}.md", doc.page_content.encode()) for i, doc in enumerate(docs)]
    backend.upload_files(files)
    return "Saved results to: " + ", ".join(path for path, _ in files)

为什么这对小型工程团队很重要

对于构建多 Agent 系统的小型公司和开发者主导的团队来说，上下文工程是脆弱的演示与可靠的生产资产之间的分界线。无关或过时的文本与正确的数据一样容易让模型感到困惑。通过利用“检索、卸载、委派”模式（即搜索结果被写入文件，以路径形式返回，并由子 Agent 处理），小型团队可以在不耗尽 API token 预算或过早触及上下文限制的情况下运行复杂的调研和自动化任务。将搜索知识封装为技能并使用渐进式披露，可以进一步确保只有在明确调用时才会消耗上下文。

本周要做的事情

1. 审计当前的 Agent 工具定义，确保数据获取函数返回轻量级标识符或文件路径，而不是直接将原始负载转储到模型的上下文中。
2. 为本地或沙盒 Agent 设置实现文件系统索引工具（如 ls_info 和 grep），以便模型在打开完整文档之前能够扫描名称和关键词。
3. 使用渐进式披露将 Agent 提示词重构为模块化技能，仅在特定任务需要加载完整指令时才展示简短描述。

来源

• Context Engineering (Agent Memory) for AI Agents Starts with Retrieval — LangChain Blog