LangGraph 上下文工程
概述
Lance Martin（LangChain）是业界最积极梳理上下文工程（Context Engineering）模式的声音之一。他的博客文章、Meetup 演讲，以及 open-deep-research 参考实现，共同构成了 LangGraph 在生产环境智能体中进行上下文管理的实践框架。
核心理念：上下文工程是提示词工程的自然延伸，驱动力在于任务形态的转变——从单次调用，到跨多轮累积工具调用反馈的长时运行智能体。
四策略框架
Martin 将上下文工程归纳为四类操作——写入（write）、筛选（select）、压缩（compress）、隔离（isolate）——与常用策略中记录的五大策略高度吻合。这一框架来源于对大量生产环境智能体的规律性观察：
"上下文工程是一门艺术，也是一门科学——在智能体运行轨迹的每一步，将恰当的信息填入上下文窗口。" — Lance Martin，引用自 Andrej Karpathy
LLM 即操作系统的类比：LLM 是 CPU，上下文窗口是 RAM，上下文工程则扮演操作系统的角色——负责管理进入工作记忆（working memory）的内容。
open-deep-research：参考实现
open-deep-research 项目（博客文章）是 LangChain 的开源参考实现，在单个智能体中展示了四种策略的协同运作：
卸载（Offload）：将摘要保存至状态
智能体从初始对话中生成结构化摘要，并将其保存至状态（位于活跃上下文窗口之外）。该摘要在后续的写作与研究阶段被检索调用——这是"先写入、后检索"上下文管理模式的典型范例。
缩减（Reduce）：汇总工具调用结果
每个研究子智能体完成工作后，其原始工具调用输出和观察结果会先被汇总，再向后传递。这可防止 Token 消耗量大的搜索结果在主上下文中持续堆积。
隔离（Isolate）：跨子智能体拆分上下文
研究任务被分解并分发给各子智能体，每个子智能体拥有各自独立的上下文窗口。子智能体返回压缩后的摘要，而非完整的执行轨迹。
关键设计决策（来自 Meetup 演讲）
- 压缩存在信息损失风险，应优先选择卸载：在压缩与卸载之间拿不准时，卸载更安全，因为它可以还原。压缩存在不可逆的信息损失风险。
- 多智能体的协调问题是真实风险：open-deep-research 中的子智能体被刻意限制了决策权——它们不会做出可能与主智能体上下文冲突的决策。这直接回应了 Cognition 提出的担忧（参见 Devin）。
DeepAgent：将摘要化作中间件
LangGraph 构建 DeepAgent 时，将摘要化（summarization）作为智能体轮次之间的专属中间件层。与其让主 LLM 自行管理上下文，不如在每轮新任务开始前，用一个独立的摘要化步骤来处理已积累的历史记录。相比 Claude Code 基于阈值触发的自动压缩机制，这是一种结构更清晰的方案。
面向智能体的上下文工程——博客文章
Martin 的 2025 年 6 月博客文章提供了迄今最全面的公开上下文工程策略分类，援引了来自以下系统的案例：
- Anthropic 多智能体研究员（草稿本、上下文隔离）
- Claude Code（自动压缩摘要）
- Cognition/Devin（智能体间交接时的摘要化）
- HuggingFace CodeAgent（基于环境的上下文隔离）
- Windsurf（多方法代码检索）
- ChatGPT、Cursor、Windsurf（长期记忆模式）
记忆筛选核心洞察："部分流行智能体仅使用少量始终加载到上下文中的固定文件。"Claude Code 使用 CLAUDE.md，Cursor 和 Windsurf 使用规则文件。对于更大规模的记忆集合，会借助嵌入（embeddings）和知识图谱进行索引，但筛选问题依然颇具挑战。
工具 RAG 核心洞察：当工具数量较多时，对工具描述应用 RAG 来获取最相关工具，可将工具选择准确率提升约 3 倍。
检索上下文：Windsurf 的方案
Martin 引用了 Varun（Windsurf）对大规模代码检索复杂性的描述：
"代码索引 ≠ 上下文检索……随着代码库规模增长，嵌入搜索的可靠性会下降……我们必须综合运用 grep/文件搜索、基于知识图谱的检索以及重排序（re-ranking）等多种技术。"
这说明面向智能体的检索并非已解决的问题——它需要将语义搜索、结构化解析（AST）与重排序相结合的多层次方案。
最佳实践
| 领域 | 建议 |
|---|---|
| 压缩 vs. 卸载 | 信息损失风险较高时优先卸载；冗余或中间输出可使用压缩 |
| 子智能体设计 | 将子智能体的职责限定在回答问题，而非做出决策，以避免上下文冲突 |
| 工具管理 | 当工具数量超过约 30 个时，对工具描述应用 RAG |
| 长期记忆 | 对程序性/情景性记忆使用少量始终加载的固定文件（CLAUDE.md 模式）；对更大规模的语义记忆库使用嵌入 |
| 摘要化 | 将摘要化作为独立的专属阶段并配套评测数据，而非事后补充的附属步骤 |