解决“上下文腐烂”以构建高效的 AI 智能体

随着 AI 智能体承担日益复杂的多步骤工作流，它们经常会遇到“上下文腐烂”——这是一种由于工具输出、历史数据和系统指令的积累而扰乱模型活动内存的现象，从而导致推理能力和准确性下降。根据 LangChain 博客的报道，这种性能下降的发生是因为智能体在整个执行循环中都携带了不必要的噪声。

发生了什么

LangChain 发布了 Deep Agents，这是一个开源框架，旨在通过将数据移出活动窗口并存入辅助存储（如文件或摘要）来管理上下文。该框架利用“中间件”在特定时间点（例如在模型调用之前或工具输出之后）拦截智能体的执行循环。通过卸载冗长的数据——例如市场报告中的数千行数据——智能体只需处理其任务所需的特定数字。

除了简单的卸载外，该框架还引入了采用渐进式披露的“技能”，仅在特定任务需要时才加载详细指令。对于噪声特别大的过程（例如深入研究），该框架支持在隔离的上下文窗口中运行的子智能体，仅将最终的精炼结果返回给主智能体。最后，Deep Agents 通过本地 Markdown 文件实现长期记忆，允许智能体在不同的模型提供商之间保留偏好。

为什么这对小型商业团队很重要

对于小团队来说，AI 智能体的成本不仅在于订阅费；还在于为任务期间处理的每条冗余指令或臃肿数据导出的“Token 税”。如果您的团队将智能体用于竞争对手分析或季度业务审查等重复性任务，您很可能每次都在为模型“重新阅读”相同的指令和原始数据付费。

通过采纳“上下文工程”的思维方式，您可以将智能体从简单的聊天机器人转变为精简、专用的操作员。实施这些模式意味着您的智能体将运行得更快、每个任务的成本更低，并且由于它们不会被不相关的历史数据分散注意力，因此能保持更高的准确性。将内存移动到本地文件还可以防止供应商锁定，确保团队来之不易的操作知识保留在您自己的基础设施中，而不是被困在提供商的专有系统中。

本周该做些什么

1. 审计您当前的智能体工作流，以识别哪些任务涉及重复数据（例如将相同的报告模板或长文本转录粘贴到每个提示中），并将这些内容移至专用的“技能”文件夹或文档中。
2. 审查智能体的 Token 使用日志，确定您是否在为处理大型原始数据导出付费，而这些数据原本可以在主智能体看到之前由辅助脚本进行预先总结。
3. 为您的主智能体创建一个简单的“偏好”Markdown 文件，用于存储持久指令（如格式要求或语调指南），从而消除对冗余设置提示的需求。

来源

• Context Engineering with Deep Agents: How To Remember Without Keeping Everything In Context — LangChain Blog