AgentSkills 揭示的真相：上下文工程走错了三年

一个反直觉结论：你越少喂上下文，Agent 反而越能干。

RAG 很努力，但结果不稳定

很多公司做知识库问答（RAG）都是“拼命三郎”：

• • 文档格式化
• • 索引调参
• • 检索融合
• • 还要给模型加反思链

但最后呢？要么“找不到”，要么“胡编”。

所以我们换个脑回路：不去替模型管上下文，而是给它一个可探索的文件系统。
Agent 只拿一个最小起点，剩下的让它自己找。

换句话说：你负责把食材放进冰箱分门别类，Agent 自己决定做几菜一汤。

一、为什么 Claude Code 宁愿用 grep

先讲清楚背景：代码库动辄上万行，传统做法是“预先索引 + 向量检索”。但 Claude Code 在实践里更像一个“命令行老手”。
它用 glob/grep/find/tail 来定位文件，再逐步精读。

• • 这样做的好处是：确定性强、可解释、成本低。
• • 坏处是：没有“看似聪明”的向量索引包装，但结果更稳。

相关原文：

• • https://mp.weixin.qq.com/s/Fa15GoM3_2CUnjdHQ3I7Nw
• • https://cursor.com/cn/blog/dynamic-context-discovery#

结论很直接：文件系统 + Unix 命令 = 最高效的上下文导航原语。

二、少喂上下文，反而更准

动态上下文发现的核心很简单：
只给 Agent 一个干净的起点，剩下的按需加载。

它解决了三个老问题：

• • token 不够
• • 噪音太多
• • 推理变“走神”

静态 vs 动态上下文

再补一个具体场景，很多团队都踩过：
你让 Agent 跑一次数据库迁移，终端输出 5000 行日志，前面 4999 行都是进度条，最后一行才是 ERROR。

• • 如果你截断输出，关键错误就没了，Agent 只能“猜”。
• • 如果你把输出写成文件，Agent 先 tail 看末尾，再按需定位，就能精准发现问题。

这就是“动态上下文发现”的真实工程价值，而不是一句口号。

三、工具越少越好：d0 的反常识结论

Vercel 的 d0 代理之前工具多到像杂货铺，结果成功率只有 80%。
他们最后删到只剩一个工具：执行任意 bash 命令，反而成功率从 80% 到 100%，步骤更少、token 更少。

原文链接：
https://vercel.com/blog/we-removed-80-percent-of-our-agents-tools

“减法增益”是真的：
每多一个工具，你就替模型做一次选择。

四、Manus 的工程方法：上下文工程不是玄学

Manus 总结了一个非常硬核的生产指标：
KV-cache 命中率是生产阶段 AI 代理最重要的单一指标。

关键实践包括：

• • 提示前缀稳定
• • 上下文只追加
• • 需要时设置缓存断点

还有一个很巧的设计：
遮蔽，而非移除。
动态移除工具会让缓存失效，改用 logits 掩蔽限制可选工具，更稳。

这里再举个“人话版”例子：
Manus 会在复杂任务中创建一个 todo.md，每完成一步就更新。它把目标不断复述到上下文末尾，避免“中间丢失”。
这不是可爱行为，而是注意力管理。

原文链接：
https://manus.im/zh-cn/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus

五、落地方法论：把“上下文”改成“文件”

以下是五个可落地实践：

1. 1. 工具输出写文件，先 tail 看结论再展开
2. 2. 对话历史写文件，摘要只做索引
3. 3. Agent Skills 按需加载
4. 4. MCP 工具只保留目录，说明书下沉文件夹
5. 5. 终端输出写日志，Agent 自己 grep 定位错误

Agent Skills 为什么是热点？
因为它本质就是“文件化能力说明”，让模型按需加载技能，而不是你一次性塞满提示词。

你可以把它理解成“技能书书架”：

• • 系统提示里只放目录
• • 需要时用关键词或语义搜索找到对应技能
• • 读到再用

这比把 50 本技能书一次性塞进模型脑子里更现实。

六、什么时候不要全用文件系统

不是所有场景都适合“慢慢找”。

• • 高时效任务
• • 强确定性流程
• • 需要严格 SLA 的系统

这些场景仍需要人为流程和工作流设计。
软件工程没有银弹，选对场景才是银弹。

七、工具选型：Agent Skills 从哪落地

如果你想把 Agent Skills 和文件系统上下文落地，有两个入口：

• • Claude Agent SDK：内置工具、子代理、权限、会话
• • Deep Agents：规划、子代理、文件系统工具、长记忆

它们都把“文件化上下文 + 按需发现”做成了开箱即用的能力。

参考链接：

• • https://platform.claude.com/docs/en/agent-sdk/overview
• • https://docs.langchain.com/oss/python/deepagents/overview

动态上下文发现怎么跑

静态上下文 vs 动态上下文

d0 结果对比

上下文不是喂进去的，是被发现的

真正有效的 Agent，不是“背得多”，而是“找得准”。
文件系统 + Agent Skills，正在把上下文工程从“人肉管理”变成“模型自探索”。

如果你也在做 Agent，建议从“少喂一点”开始。

参考原文链接

• • https://mp.weixin.qq.com/s/Fa15GoM3_2CUnjdHQ3I7Nw
• • https://vercel.com/blog/we-removed-80-percent-of-our-agents-tools
• • https://cursor.com/cn/blog/dynamic-context-discovery#
• • https://v.douyin.com/VxYnWYFGaRw/
• • https://v.douyin.com/u5IAHB7Cd84/
• • https://manus.im/zh-cn/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus
• • https://platform.claude.com/docs/en/agent-sdk/overview
• • https://docs.langchain.com/oss/python/deepagents/overview

💬 评论区聊聊

欢迎分享你在实际项目里遇到的“不知道怎么做”的问题。如果你已经用规划模式优化过 Agent，也欢迎晒晒效果数据，互相取经。

🔥 需要把这些思路落到你的业务里？

我们是成都艾维禾砺数字科技有限公司，长期做 AI 应用定制：

• • 企业 AI 咨询：梳理工作流，找出值得做 Agent 改造的节点
• • 定制化 AI 助手/客服/运营系统：从需求设计到上线监控一条龙
• • AI 赋能培训：在你现有团队里落地 Agent 设计、RAG、MCP 等实战能力

如果想聊聊 Agent Skills、文件系统上下文、规划模式怎么结合在你的场景里发挥作用，可以：

• • 访问官网 official.ivheli.com
• • 或添加助理微信 xmaiyrjgzs（备注场景），约个时间深聊