构建可靠智能体最难的部分是"上下文工程"。Karpathy 把这定义为"在上下文窗口中填入恰好合适信息的精妙艺术与科学"。智能体失败通常有两个原因：模型不够好，或者拿不到正确的上下文。 LangChain 团队Nick Huang 在技术博客中分享了他们的解决方案：让智能体用文件系统管理自己的状态。传统做法是把指令、行动、观察全堆在上下文里，像图左侧那样混乱。正确做法如右侧，用文件系统明确标记每个元素的关联。
现在智能体的上下文问题
现代智能体工程师的工作其实就是上下文工程。智能体能 访问 大量信息（文档、代码等），但回答问题时只 需要 部分关键信息，实际操作中会 检索 一些内容放入窗口。
理想状态是检索到的内容刚好覆盖需要的信息，不多不少。但现实中经常出问题：
- 需要的信息根本不在数据库里（客服智能体需要某个文档，但文档没被索引）
- 信息存在但检索不到（文档已索引，智能体就是找不到）
- 检索范围过大（需要一页内容，拿回100页）
LangChain 总结了四个核心挑战。
挑战一：Token 爆炸
网页搜索返回1万个 token，全塞进对话历史。几次搜索下来，上下文窗口被塞满，API 账单暴涨，模型性能下降。还没等到400错误，钱包先空了。
挑战二：信息量超载
有些问题确实需要大量背景信息才能回答。单次搜索搞不定，只能让智能体反复搜索。结果就是上下文越来越多，最终超出窗口限制。
挑战三：找不到细分信息
关键信息可能埋在成百上千个文件里。语义搜索在技术文档、API 参考这类缺乏语义信息的内容上经常失效。怎么可靠地找到这些信息？
挑战四：无法学习进化
智能体经常因为缺少关键上下文而答错。用户在交互中会给出线索，但智能体记不住，下次还是犯同样错误。
文件系统的解决方案
LangChain 团队给出的核心答案很简单：文件系统给智能体提供了一个统一接口，让它能灵活存储、检索和更新无限量的上下文。
解决 Token 爆炸
不把工具调用结果全放在对话历史里，而是写入文件系统，智能体按需搜索关键词，只读必要内容。Manus 团队最早提出这个思路《AI智能体的上下文工程：Manus的构建心得》。
比如网页搜索返回1万个 token，大部分内容平时用不到。传统做法是全部放入消息历史，整个对话期间都占用空间。新做法是存到文件系统，智能体需要时用 grep 搜索关键词，只把相关部分读入上下文。
文件系统变成了"大上下文的草稿本"。
解决信息量超载
文件系统让智能体能动态管理大量信息：
- 长期任务需要制定计划。把计划写入文件，后续拉回来提醒自己该做什么
- 多个子智能体协作时，各自把学习成果写入文件，避免"传话游戏"式的信息损失
- 复杂指令不用全塞进系统提示，存成文件按需读取
Anthropic 的技能系统就是这样设计的。
解决细分信息查找
文件系统的 ls、glob、grep 工具在某些场景比语义搜索更有效。Claude Code 就大量使用这些工具。
LangChain 分析了几个关键原因：
- 现在的模型专门训练过文件操作
- 信息本身有目录结构
- glob 和 grep 能精确定位到特定行和字符
read_file工具支持指定读取范围
当然，语义搜索还是有用的。Cursor 团队发现两者结合效果最好。
解决学习进化问题
最有意思的是这个：智能体可以把自己的指令当成普通文件处理。
传统流程是：发现智能体缺指令 → 专家提供指令 → 手动更新提示。但用户往往就是最好的专家，他们在对话中会透露重要线索。
LangChain 的新思路是让智能体收到用户反馈后，立即更新自己的指令文件。记住用户姓名、邮箱、偏好这些个性化信息，下次就能提供更好的服务。
这还是个新兴模式，但很有前景。智能体能自己成长，随时间积累更多技能。
LangChain 的实践成果
Deep Agents、Manus、Claude Code 都采用了这种设计。有开发者试过用 Redis 管理上下文，发现文件系统抽象更直观，调试时能直接查看状态。
部分团队在探索基于 git 的工具链。版本控制天然适合追踪智能体状态变化，就像管理代码一样。这可能成为下一代智能体开发的标准做法。（小编在后面文章介绍，欢迎关注后续）
LangChain 开源了 Deep Agents 项目（Python 和 TypeScript 版本都有），内置了这些文件系统技巧。团队表示，更多使用模式还在涌现，欢迎开发者试用反馈。
文件系统解决的核心是规模问题。与其手动调提示词，不如让智能体自己管理目录结构。上下文工程变成可观测、可调试的具体操作后，智能体可靠性会显著提升。
这个思路很值得借鉴，放眼整个系统设计，在分布式系统进化历程中利用文件通信和计算也是一个里程碑。把抽象的上下文管理变成具体的文件操作，智能体和人类都更容易理解。
参考：
https://blog.langchain.com/how-agents-can-use-filesystems-for-context-engineering/
https://docs.langchain.com/oss/python/deepagents/overview
关注公众号回复“进群”入群讨论。