Harness 与 Agent 工程 · Agent架构与协作 · 2025-08-17

Manus、LangChain一手经验:先别给Multi Agent判死刑,是你不会管理上下文

Multi-Agent技术路线之争背后,核心是如何高效管理上下文窗口。本文详解LangChain等团队的四大工程化策略。

核心内容:

  1. Multi-Agent技术路线争议的本质分析
  2. LangChain提出的上下文工程四大核心策略
  3. 各策略在实际应用中的最佳实践案例

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:

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:

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

[Insight #2] 一体化 Agent + 长上下文胜于多 Agent + RAG

[Insight #3] 长流程易失败,务必构建逐步验证机制

[Insight #4] 把 LLM 当失忆天才,持续喂任务和上下文

[Insight #5] 给模型工具权限,让它主动构建自己的上下文

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/langchain/2025081716435.html