一、Context Engineering 解决的核心痛点

        agent 的核心工作流是交替进行 LLM 调用与工具调用，通过工具反馈持续调整下一步行动，这种模式广泛应用于长期任务处理。但随着任务推进，工具反馈与交互历史不断累积，会引发一系列致命问题：

这些问题不仅会直接导致 Agent 超出上下文窗口容量上限，还会引发 token 消耗失控、成本飙升、系统运行稳定性下降等连锁反应，严重制约 LLM agent 的落地效果。

二、Context Engineering 的四大核心操作

        当今主流LLM代理中的上下文工程可以归结为四个基本步骤：Write、Select、Compress、Isolate。大多数“智能”产品（Claude、ChatGPT、Cursor、Windsurf 以及 OpenAI/Anthropic 风格的研究代理）其实就是在单一模型上下文窗口内对这四种作的不同编排。

1. Write（记录）：外化大脑，实现持久存储

核心目标是突破即时上下文窗口的限制，实现信息的长期留存与跨场景复用。

• 核心载体：通过便签本（scratchpads）、状态对象、数据库等外部存储工具，留存无法容纳在即时上下文内的信息。
• 存储内容：
  • 会话内信息：长期计划、中间推理步骤、工具调用结果、决策历史等；
  • 跨会话信息：用户专属事实与偏好、项目规范与模式、过往错误反思、跨会话学习成果（如 ChatGPT 的记忆功能、Reflexion 的自我笔记）。
• 核心价值：让智能体具备 “持久记忆”，避免因上下文窗口限制丢失关键信息，同时实现个性化交互。

2. Select（筛选）：即时检索，精准提取相关信息

核心目标是避免信息过载，仅将当前任务所需的关键信息引入活跃上下文。

• 核心逻辑：拒绝 “全盘加载” 历史数据，而是基于任务需求 “按需提取”。
• 实现方式：
  • 可控状态暴露：按需读取特定文件、仅展示相关状态变量、过滤工具结果后再呈现；
  • 高级检索技术：利用嵌入（Embeddings）实现语义相似性搜索、通过图结构遍历关联信息、借助工具描述 RAG（检索增强生成）选择适配能力。
• 核心价值：保持活跃上下文 “精简且有用”，确保模型聚焦当前任务，提升响应效率与准确性。

3. Compress（压缩）：精简信息，不丢关键细节

核心目标是在上下文窗口容量有限的前提下，剔除冗余信息，保留决策相关的核心内容。

• 核心手段：
  • 自动总结：定期将过往对话提炼为精简表述，生成递归或分层摘要，将工具调用轨迹浓缩为结果导向的笔记（如 Claude Code 的自动压缩功能）；
  • 启发式修剪：移除老旧低价值令牌、冗余信息、已完成的子任务，仅保留后续决策必需的最小化对话与事件集。
• 核心价值：防止上下文窗口溢出，同时确保模型不遗忘关键决策依据，平衡 “信息密度” 与 “窗口容量”。

4. Isolate（隔离）：分区管理，避免上下文干扰

核心目标是将不同任务、角色或敏感信息分离，防止相互干扰导致模型混淆。

• 实现路径：
  • 多智能体架构：为每个子智能体分配专属指令、工具能力、状态与记忆（如 Anthropic 的多智能体研究员、OpenAI Swarm 团队模式），让单个智能体聚焦特定角色，拥有更精简的上下文窗口；
  • 沙盒化 artifacts：将文件内容、图像媒体、中间数据结构等 bulky 或敏感信息存储在外部，仅在明确需要时调用，减少令牌占用并避免上下文污染。
• 核心价值：降低模型认知负荷，避免不同任务逻辑或敏感信息相互干扰，提升复杂任务处理的稳定性。