Agent 如何压缩上下文：来看看Cursor、Claude

关注

原创 2026-03-23 14:09:27 1.2k 阅读 AI 写同款· GEO 优化 ›

Cursor AI 上下文优化：智能压缩代码提升 AI 编程助手效率在 AI 编程助手日益普及的今天，上下文窗口（Context Window）的限制成为开发者面临的核心挑战。无论是 GPT-4 还是 Claude，其有限的 Token 容量在处理大型代码库时往往捉襟见肘，导致 AI 无法获取完整信息，影响代码生成、审查和解释的准确性。其技术原理在于，通过语言感知的智能压缩算法，在保留代码接口和结构的同时，移除冗长的实现细节，从而在有限的 Token 预算内传递最关键的语义信息。这种方法的工程价值在于，它充当了 AI 的“前置过滤器”，显著提升了人机协作的精准度和效率。在实阅读详情

文章探讨了Agent任务执行中上下文失控问题及其解决方案。核心是"按需使用"原则，通过信息价值评估将内容分为短上下文和外部记忆两层。提出多种动态加载卸载技术，包括文件化存储、摘要保留历史入口、Skills模块化、MCP工具按需加载及上下文隔离等方法。这些技术能有效降低token消耗达46.9%，提高Agent长期稳定性，实现"动态维护上下文，确保核心上下文只包含必要调度信息"。

Agent 任务执行的越久，上下文越容易失控：这是由于它的运行模式决定了的：

选动作 → 调工具 → 得结果 → 追加到上下文 → 下一轮决策

在复杂任务里，输出常常很短（函数调用、结构化参数），输入却持续增长。输入/输出 token 比例可能接近 100:1。这类场景，拼“更大窗口”很快遇到边界：成本、延迟、效果衰减都会同时出现。

所以，一个正真能长期稳定干活的 Agent，需要遵循一个原则：

按需使用：只把当前决策需要的信息放进上下文。

看起来简单，落地难在两点：

识别“此刻最值钱的信息”；
把信息以可控方式加载/卸载。

下面，我会介绍做好这两点的要诀已经可落地的方法。

一、按需使用的关键：信息价值评估

按需使用首先是“价值判断”：

哪些是目标与约束（必须常驻）
哪些是当前步骤的依据（阶段性加载）
哪些是过程噪声（应外置）
哪些可能未来会用（保留可恢复入口）

这里有一个实用标准：保留可复用的结论与索引，把大体量原始材料移出上下文。最常见的是通过文件的方式保存下来

二、动态加载与卸载：把“上下文”变成“可调度资源”

成熟做法通常会把信息分为两层：

1. 短上下文：用于决策的高密度片段

包括目标、当前状态、下一步候选动作、必要的少量证据。

2. 外部记忆：用于存放大体量材料

文件、路径、URL、日志、工具输出、历史记录都在这里。

当模型需要细节时，再读取、grep、tail、局部截取。

这类设计的优势在于可恢复：信息暂时不在上下文里，但随时能再取回来，避免不可逆压缩带来的风险。

三、上下文压缩调度方案

我将 Cursor、Claude Code、Manus 等厂商在上下文压缩上的实践做了一个梳理，大概有以下几点

1. 把长内容输出写成文件进行外置，按需读取

Cursor 的实践非常直接：shell 输出、MCP 调用结果、终端会话都同步到文件系统。

收益是上下文保持轻量，且不丢信息。

1.1 摘要阶段保留 “可回查” 的历史入口

摘要能释放上下文窗口，但属于有损压缩。

Cursor 的改进点是把对话历史作为文件提供给 Agent：摘要后如果缺细节，模型可以搜索历史文件把关键事实找回来。

这让摘要从一次性覆盖变成可回滚查询。

1.2 Skills 文件化：把复杂流程从对话里抽离

Skill 是一个非常好的抽象，它表示一个完整的技能模块，用文件描述怎么做某类任务并提供了必要的工具。

系统提示只放技能名称与简介；执行时再按需检索加载相关 Skill 内容。

这类沉淀带来的压缩效果很明显：上下文少了长篇流程复述，更多变成能力调用 + 结构化结果。

1.3 MCP 工具的按需加载：用文件索引替代全量注入

MCP 服务器经常包含大量工具与长描述，静态注入会显著膨胀上下文。

Cursor 的策略是把工具描述同步到文件夹：上下文仅保留工具名等轻量信息，需要时再查文件加载细节。

在 Cursor 报告这能将总 token 消耗降低 46.9%（多服务器场景更明显）。

1.4 长任务稳定性：用“plan.md”维持目标权重

常见做法是生成 todo.md｜plan.md ，本质是把全局计划持续更新到上下文末尾，让模型在长链路中保持目标对齐。

工程上等价于把目标状态做成可迭代的外部对象，并在关键节点回灌。

这让我们在上下文爆炸导致生成效果降低时，也可以选择带着这个 plan.md 新开一个会话，新会话重构上下文的工程也算是一种压缩

2.上下文隔离：subagent、multi agent

目前主流的 AI Coding 平台都支持 subagent 的模式，这种模式的好处在于不同的 Agent 有着天然隔离的上下文，中间产物只会留在执行任务的当前 Agent。

编排者 Agent也只需要获取到每个 subagent的任务的结果（大概率是一个文件索引），这保证了每个 Agent 的上下文都是可控的。

总结

上下文压缩的难点不在"更短"，在"更准"。

能做到按需使用的 Agent，通常具备两种能力：

对信息价值的判断
对外部记忆的调度。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。