谷歌发布多代理系统高效上下文工程指南：AI开发者注意了！（建议收藏）

谷歌刚刚发布了一份重磅指南，聚焦于多智能体系统中的高效上下文工程。这对AI开发者来说绝对值得关注！（强烈建议收藏）

https://developers.googleblog.com/en/architecting-efficient-context-aware-multi-agent-framework-for-production/

下面是我从指南中提炼的关键要点：

上下文窗口并不是瓶颈，上下文工程才是。对于更复杂和长远的问题，上下文管理不能简单视为“字符串操作”问题。目前，智能体系统中处理上下文的默认方法仍然是将所有内容塞进提示中。历史记录越多、令牌越多、混乱越多。大多数团队将上下文视为字符串拼接问题。但这种原始上下文转储会造成三个关键失败：

• 重复信息导致成本爆炸
• “中间丢失”效应导致性能下降
• 当智能体在系统中错误归因动作时，幻觉率增加

上下文管理已成为与存储和计算并重的架构问题。这意味着要用明确的转换取代临时字符串拼接。智能体默认接收最小所需上下文，并通过工具明确请求额外信息。看来谷歌的Agent Development Kit（简称ADK）在上下文管理上思考得很深入。它引入了一个分层架构，将上下文视为“状态系统上的编译视图”，而非简单的提示填充活动。

这看起来是怎样的呢？

1）结构：分层模型

该框架将存储与呈现分离为四个 distinct 层：

1. 工作上下文：处理短暂的每次调用视图。
2. 会话：维护持久的事件日志，捕获每条消息、工具调用和控制信号。
3. 内存：提供可搜索的长期知识，超出单个会话的寿命。
4. 工件：通过版本化引用管理大型二进制数据，而不是内嵌嵌入。

上下文编译是如何实际运作的？它通过有序的LLM流程和明确的处理器实现。内容处理器执行三个操作：选择过滤无关事件、转换将事件扁平化为适当角色的内容对象，以及注入将格式化的历史写入LLM请求中。内容处理器本质上是会话和工作上下文之间的桥梁。

该架构通过将上下文分为稳定前缀（指令、身份、摘要）和可变后缀（最新回合、工具输出）来实现前缀缓存。此外，static_instruction 原语保证系统提示的不可变性，从而在多次调用中保持缓存有效性。

2）Agentic管理当前重要事项

一旦确定了结构，核心挑战就变成了相关性。你需要弄清楚当前活跃窗口中应该包含什么。ADK通过人类定义的架构与Agentic决策的协作来解决这个问题。工程师定义数据的位置以及如何总结。智能体动态决定何时“伸手”获取特定内存块或工件。

对于大型负载，ADK应用句柄模式。5MB的CSV或海量JSON响应存储在工件存储中，而不是提示中。智能体默认只看到轻量级引用。当需要原始数据时，它们调用LoadArtifactsTool进行临时扩展。任务完成后，工件卸载。这将永久上下文税转为精确的按需访问。

对于长期知识，MemoryService提供两种检索模式：

1. 反应式回忆：智能体识别知识空白并明确搜索语料库。
2. 主动式回忆：预处理器在用户输入上运行相似性搜索，在模型调用前注入相关片段。

智能体只回忆当前步骤所需的确切片段，而不是携带所有以往对话。这让我想起了Claude Skills的分层方法，它确实提升了Claude Code中上下文的高效使用。

3）多智能体上下文

单智能体系统会遭受上下文膨胀。当构建多智能体时，这个问题会进一步放大，容易导致“上下文爆炸”，因为你融入了更多子智能体。为了使多智能体协调有效运作，ADK提供了两种模式。

智能体作为工具：将专用智能体视为可调用对象，它们接收专注的提示，而不带祖先历史。智能体转移：启用完整的控制移交，其中子智能体继承会话视图。include_contents 参数控制上下文流动，默认提供完整工作上下文或仅新提示。

在智能体移交期间，什么能防止幻觉？解决方案是对话翻译。先前的Assistant消息转换为带有归因标签的叙述上下文。来自其他智能体的工具调用被明确标记。每个智能体假设Assistant角色，而不会将更广泛的系统历史错误归因于自身。

最后，你不必使用谷歌ADK来应用这些洞见。我认为这些在构建多智能体系统时可以普遍适用。

（图片来源：nano banana pro）

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！