Llm

上下文管理 [!summary] 这一章真正想回答的问题是：每次调用大模型前，怎样把最有用的信息组织好再交给模型？ 所谓上下文工程，不是单纯研究提示词，而是研究如何把任务目标、规则、状态、记忆、检索结果和工具输出组织成一次高质量输入。 1. 这一章到底在讲什么 上下文工程（Context Engineering）的核心不是“给模型更多信息”，而是“给模型更合适的信息”。它关注的是： 哪些信息应该进入这次调用的上下文 这些信息应该按什么顺序和结构摆放 信息太长时该如何压缩与取舍 这件事之所以重要，是因为在真实 Agent 场景里，仅有 [[智能体基础#大语言模型基础（智能体的大脑）|模型能力]]、记忆系统或 RAG 还不够。系统仍然需要持续、系统地构造恰当上下文，否则模型容易答偏、忘重点，或者浪费大量 token。 [1] 2. 一句最容易记住的话 [!note] 上下文工程不是“喂更多信息”，而是“喂更合适的信息”。 这几个概念最好分开记： Prompt Engineering：关注提示词怎么写 RAG：关注去哪里找外部知识 Context Engineering：关注怎样把目标、规则、历史状态、检索结果、记忆和工具返回整体装配成一次高质量输入 [1] 3. 为什么上下文工程重要 3.1 真实任务不是一次性问答 Agent 往往需要持续交互、调用工具、读文件、做判断。此时模型看到的不只是“用户当前一句话”，还包括： 历史动作 中间结论 系统规则 当前任务状态 外部工具的返回结果 [1] 3.2 上下文窗口不是越大越好 上下文变长，并不意味着模型会自动抓重点。信息过多时，反而可能出现： 重点被埋没 注意力分散 无关噪声干扰推理 所以关键不是“全塞进去”，而是“筛选后再组织”。 [1] 3.3 长程任务必须做状态管理 做代码维护、研究任务、长对话助手时，如果没有中间笔记、结构化状态和压缩机制，模型很容易在长流程中忘掉前面的关键事实。这也是本章引入 NoteTool 和 TerminalTool 的直接原因。 [1] 4. 这章最重要的框架：GSSC Hello-Agents 把上下文构建总结成一个四步流水线： GSSC = Gather -> Select -> Structure -> Compress [2] ...

智能体基础 [!note] 定义 智能体（Agent）是能够感知环境、进行推理并执行动作以达成目标的系统。 三个核心要素 目标（Goal）：要解决什么问题。 记忆（Memory）：保存上下文与历史决策。 工具（Tools）：调用外部能力执行任务。 一个最小工作流 接收任务 拆解步骤 执行与验证 输出结果并记录经验 智能体分类 [!summary] 智能体的分类可以从两条主线理解： 传统演进路线（从规则反应到学习进化） 三个现代互补维度（决策架构、时间反应性、知识表示） 一、传统演进视角 简单反射智能体（Simple Reflex Agent） 仅依赖当前感知输入。 基于预设的“条件-动作”规则。 无记忆、无预测能力。 基于模型的反射智能体（Model-Based Reflex Agent） 引入内部世界模型（World Model）。 能追踪不可直接观测的环境状态。 具备初级记忆能力。 基于目标的智能体（Goal-Based Agent） 从“被动反应”转向“主动达成目标”。 会进行规划（Planning）并评估行动路径。 基于效用的智能体（Utility-Based Agent） 在多目标冲突下进行权衡。 为状态赋予效用值，追求期望效用最大化。 学习型智能体（Learning Agent） 包含性能元件与学习元件。 通过与环境交互持续自我修正（如强化学习）。 可从“依赖规则”演进为“依赖经验”。 二、现代三大分类维度 1. 基于内部决策架构 关注“内部决策机制复杂度”的层级。 基本覆盖从简单反应式到效用决策式的阶梯。 学习能力可视为可叠加在各类架构上的元能力。 2. 基于时间与反应性 反应式智能体（Reactive Agents） 感知到行动的直接映射。 优点：速度快、计算开销低。 局限：缺乏长程规划，易陷入局部最优。 规划式/审议式智能体（Deliberative Agents） 行动前基于世界模型进行推演。 优点：战略性强、可评估长期后果。 局限：时间和计算成本较高。 混合式智能体（Hybrid Agents） 结合反应式与规划式优势。 兼顾即时响应与长期目标。 典型例子：LLM 智能体在“思考-行动-观察”循环中运作。 3. 基于知识表示 符号主义 AI（Symbolic AI） ...