本文强调Agent落地需“做减法”，避免过度依赖“更大的上下文、更全的工具、更复杂的流程”。核心在于保留完成当前任务“必要且充分”的信息、工具与步骤。文章从上下文工程视角出发，分析了上下文工程的重要性及失效模式，并提出了三个层面的“减法”原则和六个可落地的“减法动作”，如RAG精准检索、工具装载、上下文隔离等。此外，文章还介绍了文件系统在Agent中的应用，以及如何通过“减法”策略实现最小可行架构。最后，文章总结了常见的反模式，并强调做Agent不是“加法竞赛”，而是“减法艺术”。
做 agent 业务落地一定要做减法（图解版）
一句话结论：不要沉迷“更大的上下文、更全的工具、更复杂的流程”。Agent 落地的核心是做减法——只保留完成当前任务“必要且充分”的信息、工具与步骤。
核心挑战
上下文工程视角
- “上下文工程是一种精妙的艺术与科学——在上下文窗口中填充恰到好处的信息，以支持下一步。”
- “从这个视角看，智能体的上下文工程可能以多种方式‘失效’：”
- “如果智能体所需要的上下文不在其可用的总上下文中，智能体就无法成功。”
- “如果智能体检索到的上下文并不包含所需的上下文，智能体就无法正确作答。”
- “如果智能体检索到的上下文远大于所需的上下文，那么它就是在浪费（时间、tokens，或两者）。”
- “在尝试隔离合适的上下文时，会出现一些具体挑战：”
- “Token 过多（检索到的上下文 ≫ 必要上下文）”——“几次网页搜索就可能让会话历史膨胀到数万 token……账单上涨且性能下降。”
- “需要大量上下文（必要上下文 > 支持的窗口）”——“上下文很快增长到无法装入窗口。”
- “查找小众信息（检索到的上下文 ≠ 必要上下文）”——“信息埋在上百/上千个文件中。”
- “随时间学习（可用总上下文 ≠ 必要上下文）”——“是否有办法把交互中的关键信息加入到后续可用上下文？”
视觉总览
上下文工程方法总览
要点：上下文不是越多越好，目标是让“检索到的上下文”尽量贴近“真正需要的上下文”，并尽可能小的超集。
为什么必须做减法（图解）
更长的上下文窗口、更多的工具定义、更多轮的推理链，并不会自然带来更好的效果。常见失效模式：
- 上下文中毒：早期的幻觉/错误被反复引用并固化。
- 上下文干扰：窗口够大也会“过度依赖历史”，忽略训练知识，策略更新变慢。
- 上下文混淆：给太多工具/资料，模型会尝试“用上它们”，导致跑偏。
- 上下文冲突：多来源信息自相矛盾，平均性能明显下滑。
参考图 1（无关信息导致误用）：
工具无关性干扰
参考图 2（分片对话引发冲突）：
分片提示导致性能崩塌
来自工程一线的证据也在支持“做减法”：
- [Cursor] 语义搜索显著提升工程可用性。未启用语义搜索时，不满意的后续用户请求增加约 2.2%；启用后代码留存率整体 +0.3%，在 ≥1000 文件的大型代码库中提升至 +2.6%。
- [Cursor] grep + 语义搜索的混合检索在大型代码库效果最佳：先精确定位（grep），再语义扩展（embedding 检索）。
- [LangChain] 文件系统是极佳的上下文“外部化”接口：把中间结果、长文本、工作笔记写入磁盘，主对话只携带必要摘要，显著降低 token 与干扰成本。
三个层面的“减法”原则（速记卡）
- 信息做减法：只取相关片段；定期修剪与摘要；把中间态卸载到对话之外。
- 工具做减法：只暴露与当前任务相关的少量工具，限制说明长度，避免描述重叠。
- 流程做减法：能单体就别多体；多体要“隔离上下文、专注分工、最终汇总”。
六个可落地的“减法动作”（配图版｜[LangChain]）
- RAG 精准检索（信息选择）
- 做什么：先界定检索范围，再从向量库取少量、干净的片段。不要把“所有资料”塞进上下文。
- 怎么控量：k=3~5 起步；严格控制 chunk 长度与重叠；必要时加 rerank。
- 落地要点：复杂查询可以接受 20k~25k token 的一次性成本，但回答阶段要只用“被证实相关”的片段。
RAG
- 工具装载（Tool Loadout，工具选择）
- 做什么：面向任务动态挑选少量工具再绑定给 Agent，避免 30+ 工具并发污染上下文。
- 参考做法：用向量库索引“工具描述”，先由小模型做“需要哪些能力”的草判，再语义检索出 top-5~10 工具装载。
- 经验阈值：≤10 个通常最稳；≥30 容易描述重叠与误用。
Tool Loadout
- 上下文隔离（Context Quarantine，流程解耦）
- 做什么：把可并行的子任务丢到各自的“独立上下文线程”里，最后再由 Supervisor 汇总。
- 好处：关注点分离、降低路径依赖；实际案例表明多智能体并行可带来显著性能提升。
- 注意：非并行任务不必强上多体，保持单体更稳定。
Context Quarantine
- 上下文修剪（Context Pruning，信息减重）
- 做什么：定期把无关/过期/重复的片段从上下文里清掉，保护核心指令与目标。
- 工具建议：轻量 reranker（如小模型或专用 rerank 模型）先过滤 80% 的冗余，再交给主模型。
- 指标：RAG 阶段 25k → 修剪到 ~11k，答案质量不降是理想上限。
Context Pruning
- 上下文摘要（Context Summarization，信息压缩）
- 做什么：把“都相关但太长”的材料，交给便宜模型做结构化摘要（保留要点、数据、结论）。
- 策略：先修剪后摘要；摘要目标压缩 50%~70%。
- 工程化：把摘要做成独立节点，便于离线评估与持续调优。
Context Summarization
- 上下文卸载（Context Offloading，信息外置）
- 做什么：把长链路工具输出、思考草稿、会话记忆写入“文件系统/外部存储”，主对话只带短提示与必要引用。
- 推荐形态：
- scratchpad（草稿本）：记录推理/中间态，不进入主上下文；
- persistent store（持久化）：跨会话的知识库与用户偏好。
- 与文件系统结合：以“单一接口”读/写/更新无限量上下文，查询时只把命中的小片段回填进对话。
Context Offload
最小可行架构（MVP｜图解）
把“做减法”的策略固化到一条轻量流水线里：
- 接收请求 → 解析“任务类型、所需能力、信息范围”。
- 工具装载 → 语义检索出 ≤8 个相关工具再绑定。
- 检索阶段 → 先精确（grep/结构化索引），再语义拓展（embedding + rerank）。
- 修剪阶段 → 基于原始问题做针对性过滤，丢弃明显无关/重复片段。
- 摘要阶段 → 把仍然很长的材料交给便宜模型做 50%~70% 压缩。
- 生成阶段 → 主模型回答，严格引用检索/摘要材料。
- 卸载阶段 → 把中间结果、长文本、可复用知识写入文件系统，保存最小“引用指纹”。
注意：以上 7 步并非每次全跑。默认只启用 1/2/3/6，随着任务复杂度再“按需打开”4/5/7。
文件系统如何帮到 Agent（图解｜[LangChain]）
要点：把工具调用结果、长文档、推理草稿落盘；主上下文只保留必要摘要与引用指纹。检索时按需读回相关片段，避免上下文泛滥。
挑战→解法一览（文件系统路径｜[LangChain]）
补充图解：
细分来看，其分别想解决的点：
- Token 过多（retrieved context >> necessary context）
- 传统方式将工具调用结果、笔记全部存入对话历史，导致令牌冗余（如 10k token 的网页搜索结果全程占用对话资源）。
- 文件系统方案将大量工具结果写入文件系统，仅在需要时通过 grep 搜索关键词、读取必要上下文，本质是将文件系统作为“大型上下文草稿本”，降低费用与干扰。
- 需要大量上下文（necessary context > supported window）
- 存储长期任务计划：通过复述操控注意力的计划写入文件，后续随取随用。
- 存储子智能体知识：子体执行时将所学写入文件而非仅反馈主体，减少“电话游戏”式失真。
- 存储指令文件：把大量操作指令放入文件而非系统提示，避免提示臃肿。
- 查找小众信息（retrieved context ≠ necessary context）
- 借助 ls/glob/grep 进行结构化定位与全文检索，精确命中相关片段。
- 当前模型可理解文件系统遍历逻辑；文件系统按目录结构化存储，逻辑清晰。
- glob/grep 可定位特定文件、行、字符；read_file 可按行范围读取。
- 随时间学习（total context ≠ necessary context）
- 将“指令/技能”视为可编辑的上下文，存入文件系统并可更新。
- 用户反馈后，立即把关键信息（如姓名、邮箱、偏好）落盘，供后续会话使用。
渐进式落地路线（从“能用”到“好用”｜看图做事）
Stage 0 基线：
- 单体 Agent + 少量手选工具（≤10）。
- 直接 RAG 检索 k=3~5；不做摘要/修剪；对话内引用片段原文。
Stage 1 做减法：
- 加入工具装载：动态选择工具并限制描述长度。
- 加入修剪：把明显无关的检索结果剔除。
- tokens 与时延即刻下降，稳定性提升。
Stage 2 降本增效：
- 在长材料上引入摘要节点（小模型），压缩 50%~70%。
- 引入文件系统卸载：工具长输出与草稿本不进主上下文。
Stage 3 并行加速（可选）：
- 可并行任务引入上下文隔离的多体结构（Supervisor 汇总）。
- 严格控制每个子体工具/上下文规模，做到“并行不并乱”。
实证数据与量化指标（图表｜[Cursor]）
实证图 1（语义搜索与留存）：
实证图 2（不满意追问下降）：
来源：Cursor 语义搜索 A/B 实验与工程报告（https://cursor.com/cn/blog/semsearch）。
指标与报警建议：
- token 成本：按阶段与会话维度统计；设置软/硬阈值（如 8k/16k）。
- 工具面板规模：单次绑定工具数 ≤10；超过报警并落盘分析。
- 检索有效率：被最终引用的片段占检索结果比例 ≥50%。
- 语义搜索开关 A/B：观察代码留存率、不满意请求率变化（目标：留存↑，不满意↓）。
- 回答一致性：跨多轮是否自洽，无自我矛盾与目标漂移。
常见反模式（看到就删）
- “窗口大＝一次性全塞”：容易中毒、干扰、混淆、冲突并发作。
- “工具越多越聪明”：≥30 个工具常引发描述重叠与误用。
- “链越长越强大”：长链路更应把中间态卸载到外部；主对话只带摘要。
- “全部在线推”：摘要/修剪/重排可以异步或缓存，别把延迟都放一条链里。
结语
做 Agent 不是“加法竞赛”，而是“减法艺术”。
把信息、工具、流程都减到“必要且充分”，再用文件系统把“长材料与中间态”卸载到对话之外——你的 Agent 会更稳、更快、更省，也更容易在真实业务里长期留存与复用。
Less, but better. 先做减法，再谈进化。
开源项目（索引｜[LangChain]）
-
DeepAgents：https://github.com/langchain-ai/deepagents
-
how_to_fix_your_context（实践 Notebook 合集）：https://github.com/langchain-ai/how_to_fix_your_context
-
DeepAgents 工具示意：
最后
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
👇👇扫码免费领取全部内容👇👇
最后
1、大模型学习路线
2、从0到进阶大模型学习视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）
4、 AI大模型最新行业报告
2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
5、面试试题/经验
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
6、大模型项目实战&配套源码
适用人群
四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
-
硬件选型
-
带你了解全球大模型
-
使用国产大模型服务
-
搭建 OpenAI 代理
-
热身：基于阿里云 PAI 部署 Stable Diffusion
-
在本地计算机运行大模型
-
大模型的私有化部署
-
基于 vLLM 部署大模型
-
案例：如何优雅地在阿里云私有部署开源大模型
-
部署一套开源 LLM 项目
-
内容安全
-
互联网信息服务算法备案
-
…
👇👇扫码免费领取全部内容👇👇
3、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
10万+
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
