Agent的本质是在一个循环中调用工具的LLM：模型调用工具，工具返回观察结果，这个过程不断循环。在执行长任务时，这个简单的循环会带来一个巨大的挑战：上下文爆炸。一个典型任务平均需要50次工具调用，生产级Agent的对话轮次可能长达数百轮。
这意味着模型在每一步决策时都必须处理之前所有轮次的工具结果，导致成本和延迟急剧膨胀。更致命的是，它会引发**“上下文腐烂 (Context Rot)”**问题——上下文越长，模型在长距离推理和精确回忆方面的能力就越差。
为了解决Agent天然产生巨量上下文与模型性能下降的矛盾，**“上下文工程”**应运而生。其目标是用恰到好处的、下一步所需的正确信息来填充上下文窗口。这门技术可以被提炼为三个核心支柱：
- 卸载 (Offload): 将上下文从LLM的窗口中移动到外部存储，以便后续选择性地检索。
- 缩减 (Reduce): 减小每一轮传递给模型的上下文大小。
- 隔离 (Isolate): 为不同的独立任务使用单独的上下文窗口。
01
支柱一：卸载 (Offload)
卸载策略已从“卸载数据”进化到了“卸载工具”。
卸载数据的核心是赋予Agent一个文件系统，让它可以在长任务中保存和回忆信息。例如，为对抗“目标漂移”，Agent可将计划写入文件，在执行子任务后再读回以确保不偏离目标。另一个应用是“跨会话记忆”，允许Agent在多次调用间持久化存储用户偏好。
卸载工具则是一种更深刻的进化。当工具过多时，全部放入Prompt会导致模型混淆和Prompt臃肿。解决方案是保持函数调用层的极简，只保留少数原子工具（如bash和文件操作），将绝大多数“动作”卸载为文件系统中的“脚本”。这已成为业界共识，顶级Agent的原生工具集都非常少。
该策略的最终演进是**“渐进式披露 (Progressive Disclosure)”**。即无需在开始时就将所有脚本告知模型。例如，Agent启动时只加载脚本文件的标题，当决定使用某技能时，再用bash工具去完整读取其内容，从而实现按需加载。
02
支柱二：缩减 (Reduce)
缩减上下文大小主要通过两种技巧实现：
**压缩 (Compaction)**是一种可逆操作。当工具结果变得陈旧时，可将其完整内容卸载到文件，并在消息历史中用一个指向该文件的“指针”来替换它。这样，Agent未来仍可以100%恢复原始信息。
**摘要 (Summarization)**是一种不可逆操作。通常只在压缩收益变小或上下文接近极限时才启用。执行摘要时，应优先使用结构化Schema（如填表）而非自由格式，以保证关键信息不丢失。
03
支柱三：隔离 (Isolate)
隔离策略通过为不同任务使用独立的上下文窗口（即子Agent）来实现，主要有两种信息同步模式：
模式一：通过通信 (By Communicating)。主Agent向子Agent传递简短指令，子Agent在隔离的干净上下文中完成任务并返回最终结果。此模式适合可被清晰切分的简单任务。
模式二：通过共享上下文 (By Sharing Context)。子Agent被允许访问父Agent的完整上下文历史，但在新的System Prompt下行动。这种模式能处理复杂任务，但代价是更换System Prompt导致KV缓存失效，成本昂贵。
04
行业共识：趋同的系统架构
顶级生产级Agent正在趋同于一个共同的、经过实战检验的架构。这个架构的核心是：一个极简的、原子的函数调用层，加上一个庞大的、可供探索的外部文件系统与脚本库。
这套架构是行业为了平衡“无限的能力扩展”与“有限的上下文窗口”这一核心矛盾而共同演进出的最优解。它将上下文工程从一系列零散的技巧，提升为了一套完整、严谨的系统设计哲学。
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。
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
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
