模型技术
Agent上下文工程：让每个Token高效利用的实战指南
摘要
上下文工程：远不止“写好 Prompt”那么简单 如果你翻阅过 Anthropic 的 Agent 最佳实践指南，
上下文工程：远不止“写好 Prompt”那么简单
如果你翻阅过 Anthropic 的 Agent 最佳实践指南，会发现这样一段核心论述：
上下文工程（Context Engineering）比 Prompt 工程更底层，它直接管理整个上下文窗口的内容构成与预算分配：放什么、放多少、按什么顺序、预算不够时怎么取舍。
本文从三个维度拆解这一工程方法：
- 上下文五来源 + Token 成本剖析：窗口里到底塞了哪些东西
- 预算约束下的动态组装：Token 告急时如何做优先级决策
- 溢出策略三选一：截断、摘要、检索——同一问题下答案质量的真实差异
上下文的五个来源
一个完整的 Agent 上下文由五类内容组成，每类有自己的生命周期和成本特征：
┌─────────────────────────────────────────────────────────┐
│ Agent 上下文构成 │
├──────────────────┬──────────────────────────────────────┤
│ ① System Prompt │ 固定载入，定义 Agent 角色和行为准则 │
│ │ 特征：稳定，适合 Prompt Caching │
├──────────────────┼──────────────────────────────────────┤
│ ② 工具定义 │ 按需加载，当前任务相关的工具 Schema │
│ │ 特征：工具越多膨胀越快（每个 ~50-200t） │
├──────────────────┼──────────────────────────────────────┤
│ ③ 对话历史 │ 最近 K 轮，随对话增长 │
│ │ 特征：线性增长，需要截断/摘要控制 │
├──────────────────┼──────────────────────────────────────┤
│ ④ 检索内容 │ 动态注入，当前问题相关的知识库片段 │
│ │ 特征：质量决定生成质量，需相关度过滤 │
├──────────────────┼──────────────────────────────────────┤
│ ⑤ 当前输入 │ 用户当前 Turn 的问题 │
│ │ 特征：永远最后载入，不可省略 │
└──────────────────┴──────────────────────────────────────┘
Token 成本实测
以一个典型客服 Agent 为例做 Token 剖析（128K 窗口，4K 输出预留，可用 124K）：
来源 Token数 占预算% 用途
────────────────────────────────────────────────────────────
① System Prompt 155 0.1% 固定载入
② Tool Definitions 174 0.1% 按需加载（当前任务相关工具）
③ Conv. History (8轮) 263 0.2% 最近 N 轮（可截断/摘要）
④ Retrieved Content 200 0.2% 动态（相关度过滤）
⑤ Current Input 22 0.0% 当前 Turn
────────────────────────────────────────────────────────────
合计 814 0.7%
剩余 Buffer 123,186
看起来 8 轮对话只用了 0.7%，问题在哪？两个增长因子：
因子 1：对话轮数增长
- 8 轮历史 = 263 tokens；100 轮历史 ≈ 3,200 tokens；1000 轮历史 ≈ 32,000 tokens
- 长期运行的 Agent（客服/助手）若不加控制，几百轮后必然遭遇溢出
因子 2：工具数量增长
- 4 个工具 = 174 tokens；20 个工具 ≈ 860 tokens；100 个工具 ≈ 4,300 tokens
- MCP Agent 接入大量工具时，工具定义本身就会吃掉几 K tokens
Token 计数工具（使用 tiktoken，cl100k_base 编码作为近似）：
import tiktoken
_enc = tiktoken.get_encoding("cl100k_base")
def count_tokens(text: str) -> int:
"""统计文本 Token 数（对中文是近似值，偏低估）"""
return len(_enc.encode(text))
def msg_tokens(msg) -> int:
"""计算单条消息 Token 数（含 4 个 overhead tokens）"""
return count_tokens(msg.content) + 4
预算约束下的动态上下文组装
核心思路：按优先级加载，预算告急时高优先级内容永远完整，低优先级内容弹性裁剪。
优先级模型
P0 System Prompt — 永远完整载入（角色定义不能丢）
P1 Current Input — 永远完整载入（没有问题什么都没有）
P2 Recent History — 从最新轮倒序加入，直到撑不下（可压缩）
P3 Retrieved Docs — 按相关度从高到低加入（可截断）
P4 Tool Defs — 只加载当前任务相关工具（可按需裁剪）
ContextBudgetManager 实现
class ContextBudgetManager:
def __init__(self, total_budget: int = 128_000, output_reserve: int = 4_000):
self.a vailable = total_budget - output_reserve
self.used = 0
self.items: list[dict] = []
def add(self, name: str, content: str, priority: int) -> bool:
"""尝试完整载入，成功返回 True，预算不足返回 False"""
t = count_tokens(content)
if t <= self._remaining():
self.used += t
self.items.append({"name": name, "tokens": t, "priority": priority})
return True
return False
def add_with_trim(self, name: str, content: str, priority: int) -> int:
"""尽量多载入：超预算时按比例截断，返回实际载入 tokens"""
t = count_tokens(content)
if t <= self._remaining():
self.used += t
self.items.append({"name": name, "tokens": t, "priority": priority})
return t
budget_left = self._remaining()
if budget_left <= 0:
return 0
ratio = budget_left / t
trimmed = content[:int(len(content) * ratio)]
actual_t = count_tokens(trimmed)
self.used += actual_t
self.items.append({"name": name, "tokens": actual_t, "priority": priority,
"trimmed": True})
return actual_t
实测：两种场景
场景 A：正常对话（12K 预算）
来源 Tokens % 状态
────────────────────────────────────────────────
System Prompt 155 1.6% 完整
Current Input 22 0.2% 完整
History Turn -1 62 0.6% 完整
History Turn -2 47 0.5% 完整
History Turn -3 61 0.6% 完整
History Turn -4 60 0.6% 完整
Retrieved Docs 200 2.0% 完整
Tool Defs 174 1.7% 完整
────────────────────────────────────────────────
已用 781 7.8%
剩余 9,219 92.2%
场景 B：预算紧张（3K 预算，模拟工具密集型 Agent）
来源 Tokens % 状态
────────────────────────────────────────────────
System Prompt 155 7.8% 完整
Current Input 22 1.1% 完整
Recent History (1轮) 40 2.0% 完整
Retrieved Docs 200 10.0% 完整
Tool Defs 174 8.7% 完整
────────────────────────────────────────────────
已用 591 29.5%
剩余 1,409 70.5%
预算紧张时的优先级体现：System Prompt + 当前输入永远完整，对话历史只保留最近 1 轮，其余按剩余预算弹性载入。核心信息不丢，辅助信息随预算弹性调整。
上下文溢出三策略对比
当对话历史超过 Token 上限，有三种应对方式。用同一个场景测试三种策略：
测试设定：
- 10 个 Python 主题的对话历史（20 条消息，510 tokens）
- 历史 Token 上限设为 300（模拟窗口告急）
- 测试问题：「我最开始问的 Python 列表推导式是什么？能给我一个实际的使用例子吗？」
- 目标：答案中能否体现第 1 轮对话中学过列表推导式这个事实
策略一：截断（Truncation）
def strategy_truncation(history: list, max_tokens: int) -> tuple[list, int]:
"""从最新消息开始，倒序累积直到超预算"""
kept = []
used = 0
for msg in reversed(history):
t = msg_tokens(msg)
if used + t > max_tokens:
break
kept.insert(0, msg)
used += t
return kept, used
实测结果：保留了 11/20 条消息（294 tokens），最早可见消息是第 5 轮（__enter__ 和 __exit__ 的上下文管理器），第 1 轮的列表推导式内容已被丢弃。
保留消息数：11/20 | 使用 tokens：294/300
最早可见：'实现 __enter__ 和 __exit__ 方法，或用 @contextmanager...'
回答（靠 LLM 通用知识）：
Python 列表推导式是一种简洁且强大的方式，用于创建列表。
[表达式 for 变量 in 列表 if 条件] ← 正确但没有引用对话历史
策略二：摘要（Summarization）
summary = llm.invoke([
SystemMessage("将以下 Python 学习对话压缩为简洁摘要，"
"保留所有已讨论的技术主题和关键结论（不超过 150 字）："),
HumanMessage(history_text),
])
实测结果：510 tokens → 99 tokens，压缩比 5.2x。摘要保留了所有 10 个主题：
原始历史：510 tokens → 摘要：99 tokens（压缩比 5.2x）
摘要内容：
Python列表推导式简化for循环，字典推导式生成dict，生成器节省内存，
装饰器包装函数，上下文管理器实现with语句，GIL限制线程，
IO密集型用threading，CPU密集型用multiprocessing，
async/await适合IO密集，dataclass减少样板代码，Pydantic用于数据验证。
回答（基于摘要）：
当然可以。Python 列表推导式是一种简洁且强大的语法结构，
[x**2 for x in range(5)] ← 摘要中有列表推导式，生成了具体例子
策略三：检索（Retrieval）
# 把每轮对话变成 Document，构建向量索引
history_docs = [
Document(page_content=f"Q: {q}\nA: {a}", metadata={"turn": i+1})
for i, (q, a) in enumerate(history_topics)
]
history_store = Chroma.from_documents(history_docs, embeddings)
history_retriever = history_store.as_retriever(search_kwargs={"k": 2})
relevant_docs = history_retriever.invoke(test_question)
# → 精准命中 Turn 1（列表推导式）和 Turn 10（Pydantic）
实测结果：从 20 条消息中精准检索出 2 条（118 tokens），直接命中 Turn 1：
检索到 2 条相关历史（118 tokens）：
Turn 1: Python 列表推导式是什么？ ← 精准命中
Turn 10: Pydantic 和 dataclass...
回答（基于检索到的历史）：
当然可以。Python 列表推导式是一种简洁的方式来创建列表。
squared_numbers = [x**2 for x in numbers] ← 有具体例子，引用了历史内容
三策略对比汇总
策略 历史Token使用 第1轮是否可见 实现难度
──────────────────────────────────────────────────────
截断 294 已丢弃 极低
摘要 99 在摘要中 中
检索 118 精准命中 高（需向量索引）
截断的第 1 轮列表推导式内容已被丢弃。LLM 靠自身通用知识作答——答案是对的，但那是 LLM 自己知道的，不是"根据我们的对话历史"。
摘要在 510→99 tokens 的压缩下，保留了全部 10 个主题，能体现"我们讨论过列表推导式"。代价是细节被泛化（只有主题名，没有原始问答内容）。
检索用最少的 tokens（118）精准拿到了第 1 轮内容，答案质量最高。代价是需要构建和维护历史向量索引。
上下文工程设计清单
Token 预算规划
- 确定模型上下文窗口大小（Claude Sonnet 200K，GPT-4o 128K，GLM-4 128K）
- 预留足够输出空间（推荐 4K-20K，取决于任务输出长度）
- 为每个来源估算 Token 上限：System Prompt < 2K，工具定义按需加载，历史上限 20K，检索上限 30K
优先级组装
- P0/P1（System Prompt + 当前输入）永远完整，不参与裁剪
- P2（历史）从最新轮倒序加，超预算时停止而不是随机删
- P3（检索内容）按相关度评分过滤，分数低的不载入
- P4（工具定义）只加载当前 Turn 可能用到的工具，不全量载入
溢出策略选择
- 对话轮数 < 20：截断即可，实现简单
- 对话轮数 20-100 或需保留全局脉络：用摘要（建议 5-10 轮触发一次）
- 对话轮数 > 100 或有"找早期特定内容"需求：用检索（向量索引历史对话）
监控与告警
- 记录每次请求的实际 Token 消耗（输入/输出/缓存命中）
- 设置告警：单次请求超过窗口 80% → 说明压缩策略需要调整
- 记录截断/摘要触发频率，频繁触发说明阈值设置过低
本篇小结
几个核心结论：
- 上下文工程 ≠ Prompt 工程：后者只管 System Prompt 怎么写，前者管整个上下文窗口的内容、预算、优先级
- 128K 不是永远够用的：对话历史是最大的增长变量，不加控制的 Agent 在几百轮后会触发溢出
- 按优先级组装是核心原则：System Prompt + 当前问题永远优先，历史和检索内容弹性分配
- 截断最简单但会丢失早期内容：摘要和检索都能保留第 1 轮信息，检索精准度最高
- 摘要 5.2x 的压缩比是真实数据：99 tokens 替代 510 tokens，保留了全部 10 个主题名
下一篇：多 Agent 架构设计模式——什么时候需要多 Agent、Supervisor 模式 vs Pipeline 模式的取舍、以及 LangGraph 的 Subgraph 实现。
参考资料
- Anthropic: Building Effective Agents
- LangGraph Context Management
- tiktoken 文档
- 本系列完整代码：agent-07-context-engineering
来源：互联网
免责声明
本网站新闻资讯均来自公开渠道，力求准确但不保证绝对无误，内容观点仅代表作者本人，与本站无关。若涉及侵权，请联系我们处理。本站保留对声明的修改权，最终解释权归本站所有。
