智能体架构与上下文工程

工程化的上下文设计，是让智能体从“聪明”走向“可靠”的关键。

智能体的设计正从单一 Prompt 驱动的任务执行，逐步演化为一个多层次、可协作、具备记忆与推理的自主系统。而这一转变的核心基础，就是 上下文工程（Context Engineering）。

这一思想与现代 AI Infra 架构（LangChain、LangGraph、Claude Code、Cursor、GitHub Copilot）高度契合。在本章中，我们将结合工程实践，重构该体系为适合架构师理解与落地的知识图谱。

Agent 架构分层概览

Agent 的系统架构可以被抽象为四层：

Prompt 层 —— 结构化输入输出与模板化生成。
Context 层 —— 动态上下文窗口与 RAG 检索增强。
Tool 层 —— MCP 协议下的语义化工具体系。
Agent 层 —— 规划、记忆与多智能体协作。

这种四层划分，本质上是对「感知、推理、行动、协作」四个智能特征的工程化映射。

下图展示了各层之间的关系：

结构化提示词工程（Prompt Engineering）

结构化提示词工程的目标，是让模型输出可靠、可解析、可验证的结构化结果。

提示词工程已从“艺术”转变为“工程化流程”，其关键是定义模板、输入输出规范与路由逻辑。

结构化输入输出

通过采用 JSON/YAML 等结构化格式，并结合 schema 验证输出质量，可以提升模型的可控性。例如 Spring AI 与 LangChain 中的 Structured Output Converter：

{
  "role": "planner",
  "task": "analyze_user_requirement",
  "constraints": ["output as JSON", "max 3 bullet points"]
}

动态模板化与示例驱动（Few-Shot）

动态注入上下文（如用户输入、系统状态），结合示例强化输出一致性，是提升模型表现的常用方法。如下模板所示：

你是一个{{role}}。请根据以下上下文完成任务：
{{context}}
输出格式要求：{{schema}}

在 LangChain 中，可通过 PromptTemplate 与 OutputParser 实现上述流程。

提示词路由与链式设计（Prompt Chaining）

对于复杂任务，通常需要多阶段拆解，提示词在不同阶段路由至不同子 Agent 或工具。下图展示了典型的链式结构：

这种链式结构在 LangGraph 中被正式模型化为“有向状态图（Directed Graph of Agents）”。它不仅描述执行流程，还能在任意节点插入工具调用或人类审查（HITL）。

上下文工程与 RAG 管道

上下文工程（Context Engineering）是让模型在有限窗口中选择最有价值信息的艺术与科学。它决定了模型的推理能力、可靠性与成本。

上下文窗口的构成

一个完整的 Prompt 通常包含以下三类上下文：

系统上下文（System Context）：角色、任务、约束；
动态上下文（Dynamic Context）：用户输入、时间、历史记忆；
外部知识（External Context）：RAG 检索、数据库查询、工具响应。

下图展示了上下文窗口的组成：

在实际工程中，LangChain 的 Context Compression、Claude 的 Context Packing、Copilot 的滑动窗口等，都是对这一思想的不同实现。

检索增强生成（RAG）策略

RAG（Retrieval-Augmented Generation，检索增强生成）是智能体可靠性工程的核心。它将知识检索嵌入模型推理链路。常见的策略层级如下表所示：

层级	技术	示例
L1	Keyword / BM25 检索	Elasticsearch, ripgrep
L2	向量语义检索	text-embedding-3-large
L3	混合检索（Hybrid）	BM25 + Embedding
L4	GraphRAG / CodeRAG	Graph-based 调用关系
L5	Agentic RAG	由 Agent 决定检索策略

表 1: RAG 策略层级与示例

LangGraph 的 Agentic RAG 模型与 Claude Code 的“contextual deep scan”实质上都属于 L5 层级：由 Agent 自主规划检索与重排序。

语义化工具系统与 MCP 协议

语义化工具系统是 Agent 的“手”。现代 Agent 已不再硬编码工具接口，而是通过 Model Context Protocol（MCP） 进行动态注册与调用。MCP 让模型以标准化格式理解工具的语义描述。

下图展示了 MCP 工具网络的结构：

这一模式在 Claude Code Plugin、GitHub Copilot MCP、LangChain ToolNode 等系统中均有体现。它们通过统一接口（如 schema + description + parameters）实现跨 Agent、跨平台的函数调用。

Agent 规划与多 Agent 协作体系

单体 Agent 智能有限，而 多 Agent System（MAS, Multi-Agent System） 提供了“智能的横向扩展”。它让不同角色的 Agent 形成协作组织，从而解决复杂问题。

下表总结了常见的多 Agent 协作拓扑：

模式	特点	适用场景
主管–专家（Hierarchical）	管理与分工清晰	软件开发、研究报告
并行（Swarm）	多 Agent 并行探索	多路径搜索、评估
流水线（Pipeline）	顺序化任务执行	数据清洗、报告生成
网络型（Graph-based）	动态通信	自动规划、知识图谱

表 2: 多 Agent 协作模式与适用场景

下图展示了多 Agent 协作体系的典型结构：

Claude Code、Cursor、AutoGen、LangGraph 都采用此模式的不同变体。它们的差异主要在于通信方式：Claude 使用“多 Agent 对话”，LangGraph 使用状态机，Cursor 则将 Agent 以工作流节点形式串联。

Agentic Context Engineering 实战示例

在现代 AI Infra 体系中，LangGraph + MCP 工具体系 已成为实现 Agentic Context Engineering 的最佳实践之一。

下面以一个简化的例子，展示如何构建一个具备上下文检索、动态决策与工具调用的 LangGraph Agent。

架构思路

本例的目标是构建一个能够回答技术文档问题的智能体，具备上下文自动检索（RAG）、工具调用（MCP）和反思式迭代（Reflection）等关键特性。框架选型为 LangGraph（工作流建模）与 LangChain 工具接口。

下图为整体流程示意：

图 6: Agentic Context Engineering Pipeline

代码示例：LangGraph + MCP 工具调用

以下代码展示了如何用 LangGraph 和 MCP 工具体系实现上述流程：

from langchain.agents import Tool
from langgraph.graph import StateGraph, END
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA
from my_mcp import MCPToolRegistry  # 假设你实现了 MCP 工具注册器

# 定义检索工具（RAG）
retrieval_tool = Tool(
    name="doc_search",
    func=RetrievalQA.from_chain_type(ChatOpenAI(), retriever=my_vectorstore.as_retriever()).run,
    description="检索并回答与技术文档相关的问题"
)

# 注册外部工具（MCP 动态注册）
mcp_tools = MCPToolRegistry([
    {"name": "http_request", "endpoint": "https://api.example.com/query"},
    {"name": "run_sql", "dsn": "sqlite:///db.sqlite"}
])

# 定义 LangGraph 工作流节点
def planner(state):
    return {"plan": f"根据任务确定调用 {state['tool']} 工具"}

def executor(state):
    tool = state.get("tool")
    result = mcp_tools.invoke(tool, state.get("query"))
    return {"result": result}

# 构建 Agent Graph
graph = StateGraph()
graph.add_node("planner", planner)
graph.add_node("executor", executor)
graph.add_edge("planner", "executor")
graph.add_edge("executor", END)

agent = graph.compile()
result = agent.invoke({"query": "查一下 LangGraph 的核心组件", "tool": "http_request"})
print(result)

该工作流展示了典型的 Agentic Context Engineering Pipeline：

任务理解
动态规划（planner）
检索增强（RAG）
工具调用（MCP）
结果整合与反思

设计原则与架构启示

在 Agentic Context Engineering 的实践中，以下设计原则尤为重要：

语义化设计

每个工具、提示词与上下文块都应具有语义自描述能力。

语义即接口，接口即智能。

动态与反射

Agent 不应是静态 Prompt 的执行者，而应具备“反思式迭代循环”：

观察 → 推理 → 行动 → 评估 → 改进

这一循环使得 Agent 能像系统架构一样持续演化。

模块化与可组合

从单体 Prompt 到模块化 Agent，就像从单体应用到微服务。每个 Agent 都是“可测试、可替换、可观测”的组件。

协作与互操作性

A2A（Agent-to-Agent）与 MCP（Model Context Protocol）构成未来智能系统的“TCP/IP 层”。这意味着未来的智能体将像网络节点一样互联。

可观测性与治理

Agentic 系统必须具备日志、追踪与度量能力。LangSmith、OpenDevin、AutoGen Studio 等工具都在补齐这部分 AI Infra 能力。

总结

上下文工程已成为 AI Infra 的关键一环。它连接了模型与现实世界之间的“语义桥梁”，让大语言模型（LLM, Large Language Model）从语言模型转变为 行动模型（Action Model）。

上下文工程为我们提供了系统的工程化路线，而 LangChain 与 LangGraph 则让这一路线可实现：从 Prompt → Context → Tool → Agent → System，构建出具备自治、可扩展与可观测特性的 AI 智能体。

参考文献

发布于: 2025/11/04 • 最后更新: 2025/11/04 • 字数: 3017 • 阅读时间: 7 mins