跳到主要内容

Agent设计模式 - 上下文管理为核心的7大模式

Summary​

Lance Martin 提出的 Agent 设计模式框架，核心论点是有效的 Agent 设计根本上取决于高效管理上下文，因为语言模型随上下文增长性能下降。文章系统性地总结了七大设计模式：计算机访问、多层行动空间、渐进式披露、上下文卸载、Prompt 缓存、上下文隔离和持续学习。同时展望了学习式上下文管理、多 Agent 协调和长时运行基础设施三个未来方向。

Key Concepts​

  • Context Management - Agent 设计的核心问题：高效管理 LLM 上下文窗口
  • Progressive Disclosure - 分层信息揭示，仅初始显示必要操作
  • Context Offloading - 将旧工具结果和轨迹写入文件系统
  • Prompt Caching - 缓存命中率是"最重要的指标"
  • Context Isolation - 子 Agent 以独立上下文窗口处理可并行任务
  • Multi Layer Action Space - 极少直接工具，复杂操作推到计算机层
  • Continuous Learning - 通过上下文演化而非权重更新改进

Detailed Content​

七大设计模式​

1. 计算机访问（Computer Access）​

Agent 直接访问文件系统和 Shell。Claude Code 作为"操作系统的 AI"，Manus 使用虚拟计算机。在 OS 层控制系统，而非仅依赖工具调用。

2. 多层行动空间（Multi Layer Action Space）​

成功的 Agent 使用极少的直接工具（通常 <20 个），将复杂操作推到计算机层（如 bash）。CodeAct 研究证实 Agent 可通过代码执行链接大量操作。

3. 渐进式披露（Progressive Disclosure）​

分层信息揭示策略：工具定义索引 + 按需检索加载；指令中放实用工具列表 + 按需 help flag；MCP 服务器同步文件夹；Skills YAML frontmatter 按需加载。

4. 上下文卸载（Context Offloading）​

将旧工具结果和轨迹写入文件系统，仅在边际收益递减时应用摘要。计划也写入文件，定期重读以强化目标。

5. Prompt 缓存（Prompt Caching）​

Manus 认为缓存命中率是"最重要的指标"。更强模型 + 缓存的成本往往低于较弱模型不缓存。

6. 上下文隔离（Context Isolation）​

"Ralph Wiggum"模式：初始化 Agent 建环境，后续 Agent 各个击破，通过 git 历史沟通进度。

7. 持续学习（Continuous Learning）​

反思过去轨迹更新指令；会话摘要蒸馏为日记再整合为参考文档；提取可复用流程保存为新的文件系统 Skill。

未来方向​

  • 学习式上下文管理：模型自身学习管理上下文
  • 多 Agent 协调：Gas Town 项目的 git 追踪 + 市长协调层
  • 长时运行基础设施：标准化可观测性和优雅失败处理
  • Building Effective Agents
  • Agent Skills Framework
  • MCP Protocol
  • LLM Context Window
  • Multi Agent Systems