当你第100次看着你的Agent在几十万Token的上下文里“大海捞针”,最后还是把那个关键的API参数搞错时,有没有想过:我们可能从根儿上就错了?
现在市面上都在吹“无限上下文”、“1M Context Window”。好像只要窗口够大,把整个代码库、所有的文档、甚至你祖宗三代的族谱都塞进去,AI就能立地成佛。
别扯了。
那不仅是在烧钱,更是在制造噪声。你花大价钱塞进去的10k Token里,99%是网页里的CSS垃圾、无关的广告和废话。真正的关键信息,早就在这堆数据垃圾里窒息了。
今天咱们不聊虚的,聊点反共识的硬核干货。最近我扒了LangChain最新的Deep Agent架构,发现了一个极具嘲讽意味的真相:
拯救AI记忆危机的,不是什么炸裂的新型向量数据库,而是计算机界最古老、最不起眼的东西——文件系统。
上下文工程的“红绿圆圈”悖论
不论是RAG还是长窗口,本质上都在赌概率。我们现在的搞法,就像是给了AI一个只有几百KB的CPU寄存器(Context Window),然后拼命往里塞东西。
真正的架构师怎么看这个问题?他们把Context Window看作昂贵且易失的CPU寄存器,而把文件系统看作便宜、无限且持久的外挂显存(External VRAM)。
这就引出了那个让无数开发者深夜痛哭的“红绿圆圈”悖论:
图注:上下文工程的核心挑战——Retrieved(抓取到的)与Needed(真正需要的)往往并不重叠。看这张图,扎不扎心?
- • 红色区域(Retrieved Context):你一股脑塞给AI的那些一大坨未经清洗的HTML、文档和日志。
- • 绿色区域(Needed Context):解决当前bug真正需要的那一行报错代码。
这两者之间的巨大鸿沟,就是你的Agent总是“一本正经胡说八道”的原因。Context Engineering 的本质,就是想尽办法让红圈和绿圈完美重合,而不是无脑扩大红圈。
真正的解药:Write -> Filter -> Read 闭环
为什么传统的 RAG(检索增强生成)在 Coding Agent 场景下经常翻车?
因为代码是逻辑结构,不是语义结构。你问 RAG:“用户认证在哪里?”,它可能会给你返回一段由“用户”和“认证”这两个词组成的注释,而不是真正的 AuthService 类。
基于文件系统的 Context Engineering 则构建了一个全新的“确定性”工作流:
图注:Manus 的 Context Engineering 架构——利用文件系统作为中间层,实现“读写分离”与“精准降噪”。这套逻辑的核心在于将 Context 的管理权交还给 Agent,形成了 Write (卸载) -> Filter (定位) -> Read (加载) 的闭环。在这套逻辑里,ls、grep、glob 这些老古董,比 Embedding 模型管用一万倍。
代码实战:Deep Agents 如何用代码实现“上下文清洗”
我仔细研读了 deepagents 的 filesystem.py 源码。这不仅仅是文件操作库,这是一套标准的 Context Engineering 实施规范。
让我们深入代码底层,看看 Deep Agents 是如何一步步实现这个闭环的: