前言：一把刀砍下的Agent Context Engineering

先说一句， 写这篇文章的时候，我的咖啡已经凉到可以直接当冰块砸键盘了。别问我为啥这么激动——主要原因是单智能体代码里藏着的 Context Engineering 简直像是暗黑料理， 一言难尽。 入口即化，却让人胃疼。

下面的文字会像一条不靠谱的山路， 时而上坡、时而下坠，甚至会突然出现一只野猫提醒你「别忘了加表格」！如果你想要的是干净利落的技术文档， 那请立刻关掉页面；如果你想要的是「烂」得有味道、带点情绪的碎碎念，那就继续往下看吧，蚌埠住了！。

单智能体到底是个啥？

单智能体其实就是只有一个“大脑”的机器人，它负责全局规划 + 分步 ReAct 循环。全局规划像是先画好地图， 然后每走一步都把地图摊在桌子上翻来覆去——灵活性高到可以随时改道， 搞起来。 但也正主要原因是只有一颗心脏，血压波动会让它在关键时刻“心脏骤停”。

剖析核心代码：从 Reflection 到 PlanningTool

下面这段代码是我们常见的「思考‑行动‑观察」循环里 用来判断模型是否已经足够「满意」的 Reflection 数据结构：

class Reflection:
    is_sufficient: bool = Field(
        description="Wher  provided summaries are sufficient to answer  user's question."
    )
    knowledge_gap: str = Field(
        description="A description of what information is missing or needs clarification."
    )
    follow_up_queries: List = Field(
        description="A list of follow-up queries to address  knowledge gap."
    )

这玩意儿其实在说：「兄弟，你给我的摘要够用了么？」如果不够，就给出 knowledge_gap 并列出后续查询，我们都经历过...。

你想... 再往下一层， 是负责生成、更新、追踪计划的 PlanningTool

class PlanningTool:
    """A planning tool that allows  agent to create and manage plans for solving complex tasks."""
    name: str = "planning"
    description: str = _PLANNING_TOOL_DESCRIPTION
    parameters: dict = {
        "type": "object",
        "properties": {
            "command": {"description": "...", "enum": , "type": "string"},
            "plan_id": {"description":"Unique identifier...", "type":"string"},
            // …… 省略大量参数说明
        },
        "required": ,
        "additionalProperties": False,
    }

这里面最坑的是「command」字段，一不小心就会让整个计划变成「删除全部」的灾难操作。😅 所以在实际使用中，一定要加上「二次确认」这种防呆措施，说到点子上了。。

Context 膨胀与噪音：为什么你的 Agent 越来越慢？

线性增长+窗口截断 是单智能体最常见的问题。每一步 ReAct 都把历史消息全部塞进模型输入，导致 Token 数呈指数级飙升。于是出现两大症状：

• 长程依赖丢失——前面说过的重要信息被窗口裁剪掉。
• 噪声累积——无关对话、 系统提示、甚至 Emoji 都占用了宝贵的上下文空间。

解决方案？压缩！但压缩本身又是一把双刃剑：压得太狠，你会失去细节；压得不够，又浪费算力。 要我说... 于是诞生了各种「Context Cache」「摘要服务」「RAG 多路复用」等奇葩玩法。

噪声示例

class SearchQueryList:
    query: List = Field
    rationale: str = Field
# 这里本来应该只有两行代码， 却被同事粘贴了三段无关会议纪要……
# ----------------------------------------------------
# 2024-03-12 项目进度：
# - 完成需求评审
# - 开始实现 UI
# ----------------------------------------------------

实战对比：Gemini FullStack vs OpenManus Flow vs Deer‑Flow 🚀

深度剖析：ReAct 循环里到底发生了什么？ 🤔

ReAct 本质上是三段式：

1. Think: 模型依据当前 Context 生成内部推理链；这里经常出现「自说自话」——模型把自己的输出当作新信息再喂回去，形成无限递归循环。
2. Act: 调用外部工具， 返回原始后来啊或错误码；错误处理往往被忽略，一旦工具抛异常就直接崩溃——所以包装层必须加上 .
3. Observe: 把工具返回值拼回 Context，再进入下一轮 Think；此时若没有对返回值进行「摘要」或「过滤」，整条消息链会被巨大的 JSON 塞满，看起来像是《黑客帝国》里的矩阵代码雨 🌧️.

Pain Point：上下文漂移 & 信息丢失 🚢

当 ReAct 循环超过四轮以后你会发现模型开始忘记一开始的问题，只记得最近一次工具调用的参数。这叫信息漂移**。 反思一下。 解决办法之一是每轮都把"原始用户意图"* 用一个专门字段强制写入 Context， 比方说：

state = original_user_question
messages.append

你没事吧？ 这样即使历史被截断，模型仍然能抓住核心需求。不过这种硬邦邦的方式也会让 Prompt 看起来像是"拼接广告语", 阅读体验极差——恰恰符合我们「烂」文章的精神！😂

A/B 测试小实验：加入 Plan vs 不加入 Plan 的效果对比 📊

上手。 *实验结论很明显：有 Plan 的情况下 即使多了一点开发成本，也能显著降低 Token 消耗并提升答案质量。不过 要注意 **Plan 更新频率** —— 如果每一步都重新生成整个 Plan，那就和纯 ReAct 没区别了只是多了一层无意义的包装而已 🤦‍♀️.

Pitfalls 大集合：别让你的 Agent 成为笑柄 🥴

• Cascade Failure: 一个 Step 出错后没有短路机制，导致后续所有步骤都基于错误信息继续施行。到头来输出往往是一堆毫无关联的话题堆砌。
• Semi‑Static Prompt: 很多项目把系统提示写死在代码里 一改需求就要改源码，导致部署频繁且不可维护。建议抽离成配置文件或数据库表格管理。
• Lack of Memory Persistence: 单智能体在长时间运行后会忘记之前完成过哪些子任务。可以使用外部 KV 存储或向量数据库做持久化状态管理，比方说 Mem0、LlamaIndex 等产品。
• No Budget Awareness: 工具调用次数无限制，会导致 API 费用暴涨。实现方式可以在 Prompt 中加入类似 "budget_remaining":10` 的字段，让模型自行决定是否继续调用工具。
• Toxic Loop: 模型在某些极端情况下会产生重复输出， 如 “好的好的好的好的…” ，这时候一定要加上 "max_repeat_penalty"/ `stop` 条件防止无限循环。
. \*以上列举仅为个人经验，请自行斟酌使用。\*

Killer Tip：用「元 Prompt」拯救上下文膨胀 🚑

Dumb idea? 不敢说 但是很多团队已经开始在 System Prompt 前面套上一层 Meta Prompt，用来自动抽取关键实体并生成结构化 JSON，然后把 JSON 当作真正的 Context 输入模型。这种做法能把几千字的自然语言压缩到几百字以内，一边保留关键信息。「元 Prompt」本身也是一种 Mini‑Agent， 它负责清洗和归纳，这样主 Agent 就只需要专注于业务推理啦！ 🎉，纯正。

Epilogue：从烂到精品， 只差一杯咖啡 ☕️

看完这篇乱七八糟却充满情绪波动的文章，你应该明白：

• 单智能体靠全局计划+ReAct循环实现灵活性，但容易陷入上下文膨胀和信息漂移。
• The more you try to “clean” context with compress/summary tricks, more you may lose essential details—balance is key.
• A decent "Plan → Step → Observe", plus a tiny budget‐aware controller, can turn a messy agent into a relatively stable service.
• If you真的想玩转 Agent Context Engineering， 请先给自己准备好咖啡、耐心以及一张能容纳表格的大纸张，主要原因是你将不断在代码、Prompt 与业务之间切换。

图啥呢？ 再说说送上一句古老而永恒的话：「技术不怕复杂，就怕没人懂。」愿你的单智能体能够在嘈杂的数据海洋中保持清醒，也愿你的阅读体验能够在这篇故意“烂”的文章里找到一点点乐趣。 祝编码愉快！ 🎈