一个多月前,全球两大技术顶流,围绕Multi-Agent吵的天翻地覆。
一方是开发 Claude 的 Anthropic,他们认为Multi-Agent更有效。在他们的实验中,多 Agent 协作成功率比单一 Agent 高出 90.2%。
另一方则是推出「Devin」的 Cognition,他们看来:单一 Agent 配合长上下文压缩与精细调度,其实更加稳健、好用、成本低。
具体内容,可以参考我们的历史文章:热点|Anthropic vs Devin:成本15倍换90%性能提升,Multi-Agent没有未来?
表面上看,这是 Multi-Agent 的路线之争,但本质上,这场讨论的核心,其实是:如何管理Agent的上下文?
打个比方,如果说大语言模型是CPU,那么上下文窗口就是RAM——它是模型的工作内存。
但一个问题是,硬件的RAM是有限的,模型的上下文长度,也是有限的。但对于AI智能体,尤其是多智能体这种场景来说,其多步骤、长时间的复杂任务,会产生海量信息,导致AI"消化不良"。这会引发几个致命的问题:
- 信息超载:超出AI的"记忆容量",直接卡死
- 成本飙升:处理信息越多,花钱越多,延迟越高
- 性能下降:信息太杂乱,AI反而变笨了
那么如何解决这个问题,Langchain、Lossfunk、Manus在内,业内有几个不同的思路,在本文中,我们将为大家一一解读。
01
langchain的Context Engineering的四大策略
langchain看来,agent的上下文管理问题,可以归纳为四种:
- 上下文污染:错误信息混进来,AI开始胡说八道
- 上下文分散:有用信息被垃圾信息淹没
- 上下文混淆:无关信息太多,AI搞不清重点
- 上下文冲突:前后矛盾的信息让AI精神分裂
面对这些挑战,Langchain团队深入研究后,提出了Context Engineering的四大核心策略:写入、选择、压缩、隔离。
1.写入上下文:给AI装上"便签纸"
就像我们做复杂工作时会记笔记一样,AI处理复杂任务时也需要把关键信息写下来,避免重复分析。
比如在代码审查中,AI会把每个文件的问题清单和修改建议记录下来,而不是每次都重新扫描整个代码库。这样既省时间又避免遗漏。
2.选择上下文:只看重要的信息
不是所有信息都值得进入AI的视野。Windsurf团队在处理大型代码库时发现,必须结合语法分析、知识图谱检索等技术,才能从成千上万行代码中找出真正相关的片段。这就像在图书馆里精准找到需要的那几本书。
3.压缩上下文:把长故事变成要点
Claude Code的"auto-compact"功能展示了最佳实践:当对话记录快撑爆"内存"时(使用率超过95%),自动把几百轮对话压缩成核心要点。
4.隔离上下文:分工合作,各司其职
LangGraph的多智能体架构把复杂任务拆解成独立模块,每个子任务在专门的"房间"里处理,避免相互干扰。
Anthropic也指出,经过隔离上下文的multi-agent表现会优于单一智能体,因为每个子智能体都会拥有独立的上下文,探索一个问题的不同角度。
就像项目团队中每个成员专注自己的模块,最后整合成完整方案。这样既提高效率,又避免了"一锅粥"的混乱。
这四种策略相互配合,形成了完整的上下文管理体系。掌握这些方法,能让你的AI系统处理信息更高效、响应更准确。
02
Lossfunk 的6个上下文管理技巧
[Insight #1] 将任务拆分为人类可在 10–15 分钟内完成的小块
- 核心观点:LLM 成功执行任务的概率与人类完成该任务所需时间强相关。根据 METR 研究,任务耗时越短,LLM 成功率越高(10 分钟任务 ≈ 90% 成功率)。
- 工程建议:不要期望 LLM 能在一个长 session 内完成复杂任务。应该将其拆分为原子化任务,每个子任务能在模型当前上下文内自洽完成。
[Insight #2] 一体化 Agent + 长上下文胜于多 Agent + RAG
- 观点:如果模型的上下文窗口够大,应尽量将完整文件或数据一次性塞进 context,而不是碎片化检索(RAG),后者的知识是碎片化的。
- 经验引用:Cline 项目和 SWE-bench-Verified benchmark 都证明完整上下文效果更佳。以前使用 diff 模型组合处理更新,误差高达 20%;改用 LLM 生成 REPLACE block,误差降到 5%。
- 隐含逻辑:绕过成本的工程取巧(如快照 diff 模型)往往带来质量牺牲。随着基础模型变强,应少用 workaround,多信任模型原生能力。
[Insight #3] 长流程易失败,务必构建逐步验证机制
- 挑战:任务流程越长,出错概率越大,且错误会层层积累。
- 应对策略:
- 将每一步设计为尽可能 无状态的函数调用,减少上下文依赖;
- 每一步任务完成后进行显式验证,模型必须能区分成功与失败,否则会带着错误一路狂奔。
- 目标:降低耦合度、增强可测试性,使每步可观察、可诊断、可回滚。
[Insight #4] 把 LLM 当失忆天才,持续喂任务和上下文
- 原理:模型容易遗忘早期输入。尤其在长对话中,前面的任务指令可能会被挤出上下文窗口。
- 实践建议:
- 不断重复 todo list 或关键任务信息;
- 在 prompt 中显式列出当前步骤、目标和注意事项;
- 引导模型先读文件再执行,有助于自建思路。
- 提示:你不需要一次性把所有上下文硬塞进 prompt,而是让模型通过指令主动拉取信息。
[Insight #5] 给模型工具权限,让它主动构建自己的上下文
- 新范式:别只往 context 塞内容,而是让模型自己去读写——就像人一样,动手比死记更强。
- 设计重点:
- 工具(如读文件、查数据库)需精心构建,避免信息过载或不足;
- 工具调用的返回内容应简洁明确(如:“查询成…