聊聊 Context Engineering：从 LangChain、Manus 到 Anthropic 的实践启发

最近看了 LangChain 的 Lance Martin 和 Manus 的 Peak 的对谈，再结合 Anthropic 最新发布的一些实践，真的是让我对 Context Engineering 有了新的理解。怎么说呢，如果说 Prompt Engineering 是教 AI 怎么说话，那 Context Engineering 就是教 AI 怎么记事儿。

为啥 Context 管理这么重要？

说实话，我之前也没太在意这个事。但你想想，现在的 Agent 要循环调用工具、处理各种输出、管理多层任务... 这 context 就像滚雪球一样越滚越大。如果不管它，模型性能直接拉胯，成本蹭蹭往上涨，最要命的是，后面的决策可能完全跑偏。

就像 Peak 说的，给 Agent 的 context 就得刚刚好 —— 多了会懵，少了会忘。这个度，真的是个技术活。

几个实用的 Context 管理策略

1. 能存文件就别塞 Context

Manus 的做法挺聪明的，他们把重的信息都扔到文件系统里。每个工具调用可以输出两个版本：完整版和精简版。精简版就留个路径或 ID，需要的时候再去取。

Anthropic 在 Claude 的实现里也是类似思路 —— 他们会把大段的代码、文档内容用文件引用替代，而不是每次都带着跑。这样既省 token，又不会丢信息。

2. 压缩 vs 总结：可逆才是王道

这里有个细节特别重要：

• 压缩（Compaction）：把冗余信息去掉，但保留恢复的能力
• 总结（Summarization）：用模板或 schema 生成简洁版本，但信息可能永久丢失

最佳实践？先压缩，实在不行再总结。而且要记住，最近的几次工具调用千万别动 —— 这是模型学习的"热数据"。

说白了，就像整理房间，你可以把东西装箱（压缩），也可以直接扔掉（总结）。能装箱就别扔，真要扔也得看看是不是最近还在用的。

3. 子 Agent 分工：各管各的事

大型工作流就像一个公司，你不能让每个员工都知道所有事。LangChain 和 Manus 的做法是把 Agent 拆成专门的子 Agent —— 规划的、执行的、管知识的，每个只拿自己需要的最小 context。

Anthropic 在 Claude 的 Projects 功能里也体现了这个思想。不同的 Project 有独立的 context 空间，避免信息混杂。

4. 动作分层：不是所有操作都要暴露

这个策略真的是妙。Manus 把不常用的批量操作放到"底层" —— 比如作为 shell 命令或 Python 脚本 —— 只把核心的原子操作（读、写、搜索）暴露给模型。

怎么说呢，就像手机 APP，常用功能放首页，高级功能藏设置里。模型也一样，接口太多反而容易出错。

Anthropic 的独特贡献

说到 Anthropic，他们在 Context Engineering 上有几个特别的点子：

Context Caching：他们推出的 context 缓存机制，可以把常用的前置 context（比如系统提示、常用文档）缓存起来，大幅降低成本。这就像给 Agent 配了个"长期记忆"。

Artifacts 机制：Claude 的 Artifacts 功能其实就是 context 管理的绝佳示例 —— 把生成的代码、文档独立出来，既方便查看编辑，又不占对话的 context。

Projects 隔离：每个 Project 有自己的知识库和 context，这种天然的隔离避免了信息污染。

别过度设计

这可能是最重要的一课了。随着模型能力提升，很多复杂的 context 管理技巧反而成了负担。就像 Peak 说的，他们删掉了不少"聪明"的优化，性能反而更好了。

真的是，有时候简单就是最好的。相信模型的能力，别总想着帮它太多。

写在最后

Context Engineering 不是什么高深的黑魔法，就是帮 AI 更好地管理它的"工作记忆"。核心原则说白了就几条：

• 能引用就别复制
• 能压缩就别删除
• 能分工就别混杂
• 能简单就别复杂

不管你是用 LangChain、Manus 还是直接调 Anthropic 的 API，这些原则都适用。最关键的是，要根据实际场景不断调整 —— 没有银弹，只有最适合的方案。

对了，如果你正在搭建 Agent 系统，真的建议去看看原始的讨论视频和各家的文档。每家都有自己的特色，取长补短才能做出最好的系统。