提升AI Agent能力的上下文技术

模型能力决定Agent的天花板，上下文工程才是决定真实业务落地表现的地板。1 上下文决定能力上限发布的大语言模型在基准测试中表现亮眼，进入具体业务场景后往往效果下滑。模型具备通用能力，执行具体任务需要依赖特定背景：产品架构、业务规则与内部约定。以 Coding Agent 处理帮我修复这个 bug为例，它依赖三类核心上下文信息：实时代码上下文：代码库目录结构、模块职责划分、核心数据结构定义、代码规范。缺少这些，生成的代码极易与项目架构冲突。流程规范：Git 分支策略、代码提交规范、代码审查流程、CI/CD 管线要求。缺少这些，Agent 可能直接向主分支提交未测试代码。环境信息：开发环境配置、测试数据库连接地址、部署方式、API 密钥管理方式。缺少这些，本地通过的代码在测试环境会立即崩溃。代码、流程与环境构成了 Agent 工作的最低信息需求。上下文工程负责系统性地设计、组织和提供完成任务所需的全部背景知识，第一步是将散落在老员工记忆与口头约定中的隐性知识显性化。2 API消息结构无状态上下文由四部分组成：静态前缀（系统提示词、工具定义）与动态增长区（对话历史、状态栏）。在 API 层面，上下文以消息列表的形式存在。以查询杭州时间和天气的任务为例：第一次 API 调用，模型决定调用两个工具：// ═══ Request sent to the API ═══{"model":"Qwen3-0.6B","messages":[{"role":"system","content":"You are a helpful assistant. Use the provided tools..."},{"role":"user","content":"What's the current time and weather in Hangzhou?"}],"tools":[...]}模型返回工具调用请求：// ═══ Response returned by the API ═══{"choices":[{"message":{"role":"assistant","content":null,"tool_calls":[{"id":"call_abc123","function":{"name":"get_current_time","arguments":"{\"timezone\": \"Asia/Shanghai\"}"}}/