什么是智能体上下文管理？
智能体上下文管理是在现有访问边界内，选择、组织和更新智能体用于完成任务的信息。对于团队而言，这些信息存在于代码、共享收件箱、团队频道以及需要保持准确并对合适人员可用的决策中。
这种理解始于共享上下文。通过沟通不断发展，通过具体的成果变得可操作，并通过定期维护保持有用。
从一个工作流开始：找到其权威来源，仅检索当前任务所需的信息，并生成一个可追溯到证据的简报。将决策与提案分开。当发布、客户更新或权限变更导致简报过时时，及时刷新。
1. 为智能体绘制共享上下文地图
每个团队都已经分布式地记录了自己的知识和决策。引入智能体的第一步是确定这些记录存放在哪里。
智能体的上下文窗口包含当前任务可用的信息。智能体记忆则保留信息以便后续检索。共享上下文是团队在各自工具中的知识。一个有用的上下文管理系统会为每个任务选择相关部分，并保留指向原始内容的链接。
这种选择和维护的工作也被称为上下文工程。Anthropic 的上下文工程指南介绍了按需检索信息，并对较旧内容进行总结，以保持智能体的工作上下文聚焦。对于团队来说，实际问题是哪些证据有助于当前决策。
对于产品团队来说，代码是重要的上下文来源。结合部署和发布记录，有助于确定产品当前的实际功能。共享收件箱提供了另一种视角：客户提出的问题、遇到的问题以及他们希望实现的目标。团队频道则记录了讨论、约束、承诺和决策背后的理由。
这些来源回答了不同的问题。代码解释了实现方式。部署信息确定功能是否已到达客户。客户对话揭示了实际体验。内部讨论有助于解释团队为何选择某种方案。
智能体需要一份这些来源的地图：每个来源包含什么、能回答哪些问题、由谁维护以及其时效性。这份地图为有用的协作提供初始上下文。
智能体还应识别来源之间的分歧。例如，频道消息可能描述了计划中的发布，而部署记录显示该发布仍在等待。某份文档可能描述了产品的早期版本。让这些差异可见，有助于团队建立准确的起点。
图1。代码、客户对话和团队讨论提供不同视角。智能体在每个人现有权限范围内连接证据，并生成团队可用的成果。
2. 保持智能体权限限定于来源
共享上下文存在于访问边界之内。团队成员有不同职责，每个人可获取的信息应反映其职责。
权限属于存储和检索上下文的系统。组织的身份系统、源应用和记忆存储应决定谁能访问信息。智能体在这些边界内运行，不会独立决定某人的访问级别。
Okou 的共享团队智能体采用了这种分离：团队可以共享指令和工作流，但每个人都通过自己的连接账户运行。
当上下文在不同格式间流转时，这一区分尤为重要。由受限对话生成的摘要应保留相关限制。将信息保存到记忆或纳入可视化成果时，也应保留其访问要求。
个人上下文也需要明确范围。个人的私有笔记、偏好或对话应仅与本人关联，除非通过授权流程主动共享。
因此，团队可以共享目标，但成员可访问的信息各不相同。智能体的作用是帮助每个人利用其可用上下文做出贡献。当相关证据不可用时，应明确哪些理解尚未被验证。
3. 利用智能体建立共享理解
一旦智能体能够访问合适的来源，就能帮助团队成员理解这些来源与自身工作的关系。
人的注意力和工作记忆有限。大家关注的对话不同，对同一情境的理解也不同。工程了解实现约束，支持识别反复出现的客户问题，产品记得早期决策背后的权衡。
智能体可以连接这些视角，并解释其影响。
以客户难以邀请同事加入产品为例。共享收件箱中有问题描述，代码和发布记录确定当前邀请行为，团队频道中有资格规则背后的理由。
智能体可以将这些证据整合成连贯的说明，描述客户遇到的情况、产品的实际表现以及影响行为的决策。然后为不同受众准备相应解释。
工程需要复现步骤和受影响行为的证据。支持需要准确解释和已验证的临时解决方案。产品需要了解客户影响及可选方案。每个视角都应基于同一事实。
这正是工作协调的重要部分：在对话间保持连续性，揭示依赖关系，识别参与者可能未意识到的假设。
当讨论发生在 Slack 时，在同一线程工作的智能体可以让请求、证据和后续内容对参与者始终可见。
智能体应区分观察、解释和决策。类似的客户投诉可能暗示某种模式，但原因仍需调查。提议的解决方案可能有前景，但其影响尚不确定。保持这些区分有助于团队选择下一步行动。
4. 让人专注于目标与关系
随着智能体承担更多收集和解释上下文的工作，人们可以将更多注意力投入到方向、判断和关系上。
人决定哪些结果重要，权衡优先级，做出承诺，并与同事和客户建立信任。他们还了解可能从未被记录的情况：敏感的客户关系、非正式协议或尚未明确表达的担忧。
智能体可以为这些决策做好准备。在讨论前，整理相关历史，指出未解决的问题，解释不同选项的后果。在持续工作中，突出影响承诺的变化或揭示依赖关系。
呈现的信息量应与对话相匹配。客户电话可能只需简明的问题说明和已做承诺。工程评审可能需要实现细节和复现证据。领导讨论可能需要业务影响和所需决策。
良好的上下文管理能减少相互理解的成本。人们应能带着足够的共享背景进入对话，将时间用于讨论真正重要的内容。
5. 让决策与交接可视化
具体的成果为团队提供了可检查、讨论和修订的实体。
格式应适应沟通需求。工作流图可揭示不清晰的依赖关系。带注释的界面可展示客户遇到的阻碍。对比表可澄清不同选项的后果。时间线可显示一个团队的承诺如何影响另一个团队的工作。
针对邀请问题，一份带注释的客户旅程可展示当前步骤、困惑点、支持证据和拟议变更。当前行为、拟议行为和未解问题应明确标注。
这一成果可支持多场对话。支持可核查其是否反映客户体验，工程可验证产品行为，产品可评估拟议变更是否解决了根本问题。
决策成果应保留结果背后的推理。有用的对比会展示考虑过的选项、重要约束、每个选项背后的假设及最终选择的理由。
交接同样需要清晰。下一个参与者应能看到已完成、已验证、未解决的内容、相关工作的位置及下一步预期行动。
随着工作变化，智能体可保持这些成果与底层证据的一致性。
6. 维护智能体记忆与上下文
当上下文的状态和时效性变得不清晰时，其价值就会降低。
产品在演进，优先级在变化，决策也会被修订。临时解决方案在根本问题解决后仍可能流传。提案可能逐渐被当作已批准的决策。准确的摘要在环境变化后可能变得误导。
有用的上下文系统应区分事实、假设、提案、决策和历史记录。每类内容需要不同的维护方式。事实在条件变化时需刷新，假设需验证，提案需明确状态，决策需保留理由及后续修订。
定期维护应合并重复内容，标记矛盾，刷新活跃摘要，并归档不再指导当前工作的材料。历史证据应保持可访问，过时指引应明确标识。
维护还应响应重要事件。一次发布可能使产品指引失效，目标调整可能改变重要信息，新决策可能取代早期方案。来源权限变更应反映在派生上下文的存储和检索方式上。
团队成员需要便捷方式纠正智能体的理解。他们应能指出过时说法、指向权威来源，或澄清某次讨论并未成为决策。这些纠正应影响后续工作，并在合适的个人或共享范围内生效。
图2。人设定目标，智能体查找、连接并解释上下文，随着工作变化及时刷新。来源链接和决策历史始终可用。
7. 从小处着手，衡量智能团队协作
实际落地可以从一个项目和一个反复出现的沟通问题开始。
具体起点可浏览智能体工作流示例，选择一个输入明确、输出可供团队评审的案例。
支持到工程的交接是一个有用示例。团队可确定相关收件箱、代码库、发布信息和讨论频道，然后定义具体输出，如包含客户证据、已验证产品行为、未解问题和带注释工作流的问题简报。
首要评估是智能体能否准确反映实际情况。它能否检索相关证据？能否区分当前行为与计划变更？能否保留不确定性？每位参与者能否理解他人需求？
团队随后可评估协作是否改善。人们是否更少重复背景信息？交接是否减少澄清轮次？新成员能否理解决策原因？过时假设能否在影响客户承诺前被发现？
这些互动的反馈应优化来源地图、上下文组装方式和智能体生成的成果。随着基础变得可靠，可逐步扩展责任范围。
价值体现在日常工作中：工程师在调查前了解客户影响，支持能准确解释产品，新成员能理解决策背后的推理。大家带着所需上下文参与，将更多注意力用于目标选择、承诺和建立有助于团队交付的关系。
常见问题解答
智能体上下文与记忆有何区别？
上下文是模型当前响应或行动可用的信息。记忆则为后续使用存储信息，可能跨会话。保存的决策在被检索时成为活跃上下文。两者都需来源引用、明确范围，并检查是否过时。
智能体上下文管理与 RAG 有何不同？
检索增强生成（RAG）用于检索信息以支撑模型响应。上下文管理涵盖为每个任务选择指令、对话历史、工具结果和检索信息的更广泛过程，也包括在强制访问边界内的信息新鲜度和保留。RAG 可作为其中一环。
当智能体上下文窗口填满时会发生什么？
视系统而定，请求可能失败、旧内容被移除，或对话被压缩为摘要。应在简明工作记录中保留目标、已验证决策、未解问题和来源链接。需要时重新检索详细证据，并检查摘要是否遗漏重要约束。
智能体能否在不共享所有人权限的情况下共享上下文？
可以，只要访问由源应用、身份系统和存储层强制执行。共享指令不会授予他人连接账户的访问权。摘要或交接必须保留其来源信息的限制，系统在检索或共享信息时需重新检查访问权限。
智能体交接应包含哪些内容？
应包含任务目标、当前状态、已验证发现、来源链接、决策及其理由、未解问题和下一步行动及负责人。明确标注假设和提案。对于客户问题，区分生产环境中观察到的行为与计划修复或尚未部署的修复。
智能体上下文应多久更新一次？
当相关发布、客户更新、决策或权限变更发生时，更新活跃上下文。在重要行动前，重新核查可能已变更的事实。根据来源变更速度设定复查频率；标记过时指引，并让历史证据对授权用户可访问。
如何衡量上下文管理是否提升团队协作？
选择一个可重复的工作流并记录基线。比较重建背景所需时间、每次交接的澄清轮次及类似任务中的事实纠正次数。还要检查输出是否引用正确来源、遵守访问边界并保留不确定性。只有结果仍然准确时，完成更快才有意义。
