简介:当多个AI Agent在同一任务中协同工作时,真正决定协作质量的往往不是单个模型的能力,而是上下文能否被准确传递与保全。本文系统解释"上下文工程"这一概念的由来、定义与运作机制,剖析上下文折损的成因、核心组成与关键能力,并结合典型场景说明其实践要点与适用边界,帮助读者建立完整认知。
一、概念定义:什么是多Agent协作中的上下文工程
多Agent协作中的上下文工程(Context Engineering),指的是在多智能体系统里,为了保障”任务背景、决策依据、中间产物、约束条件”等信息能够在各个Agent之间被完整、准确、可复原地传递与共享,而对上下文的生产、编码、传递、存储和重建进行系统性设计与管理的一整套方法。
从技术视角看,它是介于模型能力与业务目标之间的一层工程实践;从业务视角看,它决定了多Agent能否像一个真正协同的团队那样工作,而不是各说各话;从使用视角看,它体现为一套让”前一个Agent知道的东西,后一个Agent也知道”的机制。
需要强调的是,上下文不等于”消息”。消息只是上下文被压缩、编码后对外表达的结果;而上下文包含了为什么做某个决定、考虑过哪些方案、排除了什么、目前卡在哪里、手头有哪些材料、这件事的边界在哪。上下文工程关注的正是这些”没被说出口的部分”如何在Agent之间不失真地流动。
二、背景与价值:为什么上下文比模型本身更值得关注
过去,协作工具主要优化”发消息”这件事——让消息更快、更正式、可多人编辑。但如果把镜头拉远,会发现消息只是载体,真正在协作主体之间流动的是上下文。
在人与人协作的时代,这种折损是可以忍受的:链路短,人有常识、会脑补、能追问。但当多个Agent接入工作流后,情况发生了根本变化。Agent不会主动脑补缺失的背景,也不会自然地追问被省略的细节。一旦上下文在传递中被简化或丢失,后续Agent就会在”信息残缺”的前提下继续工作,而这种缺失往往会沿着协作链被逐级放大。
因此,上下文工程的价值在于:它是多Agent系统能否产出可靠结果的决定性因素之一。它要解决的不是”让Agent更聪明”,而是”让Agent之间的信息不失真”。
三、折损是如何产生的:上下文丢失的机理
理解上下文工程,首先要理解折损的成因。一个典型的链路是这样的:
这一圈下来,最初分析里的大量细节,在Agent B眼里从一开始就不存在。折损的本质是:每一次”人读一遍再转述”或”Agent输出再摘要”,都是一次有损压缩;而多Agent协作往往涉及多次这样的压缩,于是折损按乘法叠加。
四、核心组成:上下文工程的关键要素
一套完整的上下文工程实践,通常包含以下几个关键要素:
五、工作原理:上下文如何在Agent之间流动
上下文工程的核心,是把”有损的口头转述”替换为”低损的结构化交接”。其工作流程大致如下:
# 示意:上下文交接的最小模型(伪代码)context = {"goal": "任务目标与边界","decisions": ["关键决策及其理由"],"artifacts": ["产出物的存储引用,而非摘要"],"constraints": ["约束条件与假设"],"open_questions": ["未解决问题与卡点"],}# Agent A 完成工作后,写入结构化上下文,而非只返回一段结论store.save("task_context", context)# Agent B 按任务需要回取原始上下文,而不是读取被转述的摘要ctx = store.load("task_context")result_b = agent_b.execute(goal=ctx["goal"], materials=ctx["artifacts"])
关键区别在于:产出物通过”引用”而非”摘要”传递。后续Agent可以按需回取原始材料,从根本上减少”觉得太细就没提”导致的信息丢失。
六、典型应用场景
七、上下文工程与相关概念的区别
八、实践中的注意事项
九、总结
上下文工程的核心命题,是把多Agent协作中”看不见的损耗”变成”可管理的工程问题”。当模型能力逐渐成为通用基础设施,决定协作质量的,越来越是上下文能否被完整、准确地传递与保全。理解上下文与消息的区别、掌握分层与引用式交接的方法、重视一致性、成本与安全,是构建可靠多Agent系统的关键。正如业界逐渐形成的共识:多Agent协作的下一场竞争,不在模型本身,而在上下文。