5.2 KiB
id, title, type, domain, stack, tags, level, prerequisites, est_hours, related, week, order
| id | title | type | domain | stack | tags | level | prerequisites | est_hours | related | week | order | |||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ai.agent-design.context-skills-multiagent | 上下文工程、Skills、多 Agent 和 A2A | lesson | ai |
|
|
advanced |
|
3.5 |
|
|
2 |
上下文工程、Skills、多 Agent 和 A2A
Skills、A2A 都是 2025 年之后快速发展的概念，规范和各产品的支持情况以官方文档为准。
解释说明
上下文工程（Context Engineering）
提示词工程关注“怎么写指令”，上下文工程关注每一次调用时，模型的上下文窗口里放什么：系统提示词、工具定义、检索结果、对话历史、记忆、工具返回、当前任务状态。Agent 效果不好，很多时候不是模型不行，而是上下文里缺了关键信息，或者塞了太多无关内容。
| 手段 | 说明 |
|---|---|
| 选择（Select） | 只放相关的：检索结果精选、按任务挑选工具子集、按需加载技能 |
| 压缩（Compress） | 历史对话摘要、工具结果只保留需要的字段 |
| 隔离（Isolate） | 子任务交给子 Agent，在独立的上下文中完成，只把结论返回 |
| 外部化（Write） | 长期信息写进文件 / 记忆库 / 状态，需要时再读取 |
Skills（技能）
把某类任务的说明、规范、脚本打包成一个目录（例如 SKILL.md + 辅助文件），系统提示词里只放每个技能的名字和一句话描述，模型判断需要时再加载全文——这叫渐进式披露，可以在不撑爆上下文的前提下给 Agent 很多“专业知识”。Claude Code 等 AI 编程工具已经支持这种形式；团队也可以用它沉淀开发工作流（见 AI 编程专题）。
多 Agent
| 模式 | 做法 | 适合 |
|---|---|---|
| Supervisor（主管） | 一个主 Agent 分派任务给多个专职子 Agent，汇总结果 | 任务可拆分、子任务独立 |
| Handoff（转交） | 当前 Agent 把对话转交给更合适的 Agent | 客服分流（售前 → 售后 → 技术） |
| 流水线 | 固定顺序：研究 → 写作 → 审校 | 内容生产 |
多 Agent 的代价：调用次数多、成本高、Agent 之间信息传递会丢失细节、更难调试。先用单 Agent + 好的工具，确实需要上下文隔离或专业分工时再拆。
A2A（Agent2Agent 协议）
MCP 解决“Agent 怎么调用工具”，A2A 解决“不同团队 / 不同框架的 Agent 之间怎么协作”。核心概念：Agent Card（描述 Agent 的能力、地址、鉴权方式）、Task（有状态的任务：已提交、处理中、需要输入、完成、失败等）、Message / Artifact（消息和产出物），基于 HTTP + JSON-RPC，支持流式更新。了解即可，面试时能说清和 MCP 的区别。
案例
一个企业助手接入了 40 个工具和 6 份业务规范，系统提示词超过 2 万 token，模型经常选错工具。改造：
- 规范改成 Skills，系统提示词只保留索引，按需加载；
- 按意图把工具分组，每次只给相关的 8 个；
- 报表类任务交给“数据分析子 Agent”，它在自己的上下文里多轮查询，只把结论和图表返回；
- 长对话超过预算时压缩早期内容。
提示词长度降到 5000 token 左右，工具选择错误明显减少（用评测集验证）。
代码示例
examples/agent-patterns/patterns.py 中的 Skills 渐进式加载和上下文预算：
def skills_index(skills):
"""放进系统提示词的只有名字和描述。"""
return "\n".join(f"- {s.name}: {s.description}" for s in skills)
skill = pick_skill("我上周买的耳机想退款，800 元", skills) # 真实项目由模型决定加载哪个
context.append(skill.body()) # 需要时才加载全文
@dataclass
class Context:
system: str
budget: int
keep_recent: int = 4
...
def add(self, role, text):
self.messages.append((role, text))
while self.size() > self.budget and len(self.messages) > self.keep_recent:
old = self.messages[: -self.keep_recent]
self.messages = self.messages[-self.keep_recent:]
self.summary = summarize(self.summary, old) # 早期对话压缩成摘要
技能文件示例：skills/refund-policy/SKILL.md。
易错点
- 把所有规范、所有工具都塞进系统提示词。
- 摘要丢失了关键事实（订单号、用户已确认的选择）：摘要要求明确保留哪些信息，并用评测验证。
- 多 Agent 之间只传结论不传依据，出错后无法追溯。
- 为了“看起来高级”上多 Agent，实际效果和成本都不如单 Agent。
- 混淆 MCP 和 A2A：一个是 Agent 与工具，一个是 Agent 与 Agent。
面试常问
- 什么是上下文工程？和提示词工程有什么区别？
- 工具很多时怎么办？
- 什么时候需要多 Agent？有什么代价？
- A2A 和 MCP 的区别？