Agent的命门是上下文：关键不在少给，而在给对

原文链接：https://mp.weixin.qq.com/s/PhWGXLaWK0wEpz4Jao09ng
来源：微信公众号「腾讯云开发者」
作者：黄照坤
获取时间：2026-08-18

核心结论（一句话）

上下文优化的目标不是删掉最多内容，而是在当前阶段将刚好够用、可执行、可验证的信息交给正确的 Agent，并让完整证据在需要时可精确回源。

分类提炼

场景：多 Agent AI Coding、代码探索、终端输出压缩、交接与工作流编排。
标签： #主题/AI-Coding #主题/Context-Engineering #主题/Harness #主题/多Agent #场景/公众号长文
类型：多 Agent 工作流实验与上下文工程复盘；数据为作者个人实验自述。

知识节点

图谱替代：代码图只有替代后续检索或阅读时才节省全局成本，单纯提供导航会增加一层输入。
局部压缩：终端字符或单次工具返回变短，只证明局部压缩成功，不能推出完整任务更省。
路径反增：遗漏线索会触发更多搜索、修改和测试，使总输入和成本反向上升。
上下文存活：首轮工具输出进入会话历史后，会在后续任务中持续占用窗口；局部收益可能被历史携带抵消。
短交接：角色间传递当前决策、约束和 Artifact 路径，而不是复制整份报告。
按需回源：完整方案、源码证据和测试结果保存在 Artifact，只有关键缺口出现时才读取。
阶段路由：状态迁移、去重、claim 和派发由脚本处理，模型专注于需判断的设计、实现和审查。
信息密度：当前步骤真正相关、可执行、可验证的信息，占全部进入窗口信息的比例。

关联图谱

上游（基于 / 来自）

[[02-ai-coding/Code-is-cheap-AI-Native-五倍效率]]：其“上下文宝贵、最小混沌单元、checkpoint”是本文按阶段控制信息的前提。
[[01-ai-agents/腾讯程序员-AI-Coding到Harness-Engineering-应用宝活动平台实践]]：其状态文件、渐进加载和专家 Agent 体系提供了本文短交接与阶段路由的组织形态。

下游（应用于 / 验证于）

[[01-ai-agents/腾讯程序员-Agent的上限可能不在模型而在团队知识]]：本文的任务相关性、按需回源和上下文存活，可落成团队知识供给的“给谁、何时给、保留多久”规则。

同级（横向 / 并列）

[[02-ai-coding/Addy-Osmani-Loop-Engineering]]：Loop 的自动化、状态与独立验证解决“如何持续推进”，本文解决每次推进时如何避免上下文重复搬运。
[[01-ai-agents/WorkBuddy-Harness工程复盘-从模型到可用Agent]]：两文都将模型外的信息组织和执行控制视为可用 Agent 的关键。

正文要点

1. 用三层指标评估上下文优化

作者把“省 Token”拆成局部输出、行动路径和整体结果。评估必须同时问：工具返回缩短了多少，Agent 因此少走或多走了哪些步骤，完整任务的 Token、时间、成本和质量最终如何。没有替代后续动作的压缩，只是把成本从一个位置移到另一个位置。

2. CodeGraph 的边界是“导航能否替代证据读取”

对于明确符号和影响范围，图查询可替代多轮盲搜；面对完整调用链、业务分支、精确 path:line 或关键语义时，Agent 仍要读源码核对。图查询结果若被长期携带却不能服务后续任务，还会将首轮局部节省变成后续会话的输入负担。

3. RTK 要从默认必经改成有熔断的选项

原文实验称 RTK 可显著压缩终端字符，但部分任务的总 Token、命令、修改和测试事件上升；复测也显示端到端方向不稳定。可迁移做法是白名单和回退：范围明确、信息损失可控时才压缩；首次搜索无预期线索、输出异常、需要第二次宽泛搜索或进入最终验收时，切回原生命令并保留完整证据。

4. Artifact 是事实存储，Handoff 是阶段接口

完整产物不应在 Main、Architect、Developer、Reviewer、Test 等会话中反复复制。Artifact 保存方案、源码证据与测试结果；Handoff 只传当前角色要用的摘要、已确认决策、任务范围和路径。这样既减少历史携带，也避免用“摘要”永久替代原始事实。

5. 让程序处理确定性信息流

阶段开始/完成、路由校验、原子 claim、重复派发保护、计划边界检查和固定汇总不需要模型反复推理。交给状态脚本和 Hook 后，Main 不再逐站醒来重读全部历史；模型预算集中到方案、实现、审查和异常判断。自动路由仍需受任务边界、验证门和人工叫停约束。

6. 对 Seetong 团队的可执行检查

将 KMP 的 feature_list.json、执行计划、progress 和验证结果作为 Artifact；Agent 交接只传目标模块、任务级别、已完成阶段、阻断项和文件路径。
对 rg、日志和测试输出采用两档策略：探索/验收保留原始输出，范围明确的重复性输出可压缩；缺少预期线索立即复核。
在 AI 研发闭环中记录每个上下文包的来源、角色、进入时间、退出条件和验证结果，按完整任务而非单命令字符数评估收益。
将状态更新、重复任务防护、任务路由和固定格式汇总交给脚本；将跨模块设计、风险取舍和验收留给人或高能力 Agent。

证据边界

文章的 2,480 万 Token/202 元案例、CodeGraph 和 RTK 的 A/B 数据、模型版本、任务细节和改造后节省比例均为作者个人实验记录，未独立复现。不同模型、代码库、缓存策略、工具实现和任务质量会显著改变结果。本文仅采纳“端到端测量 + 阶段化工具 + 回退机制 + Artifact/Handoff 分离”的方法，不把文中比例视为通用基准。